Musique populaire au cinéma, pastiches et genres : essai poïétique d'un historien-compositeur-bricoleur
Bibliographic record
Abstract
Ce mémoire en recherche-création comporte deux parties : un portfolio de chansons et de pièces musicales composées pour un corpus de films ; et un texte de réflexion d’une cinquantaine de pages portant sur la problématique de l’utilisation de musique populaire au cinéma. On considère souvent l’utilisation de succès musicaux populaires existants et la composition de ce genre de morceaux sous le seul aspect commercial et lucratif, et dans une perspective plutôt péjorative. Il existe pourtant des fonctions esthétiques particulières, maintenant mieux documentées, justifiant cette pratique. L’utilisation dénuée de volonté commerciale qu’en font plusieurs cinéastes amateurs et universitaires en témoigne. Nous nous interrogerons donc sur les raisons historiques et pratiques expliquant la prédominance contemporaine des bandes musicales composées de musiques populaires, et plus particulièrement sur la pratique de la reprise, du pastiche et de l’adhésion à des genres musicaux définis (country, blues, etc.). Nous nous intéresserons ainsi aux cas de musiques pastichées ou associées à des genres, mais aussi à ces musiques qui, par leur addition au film, permettent à celui-ci de remplir sa mission de pastiche, d’hommage ou de parodie. Le portfolio musical apporte, pour sa part, des exemples précis de ces applications, comportant des commandes de musiques folk, country et même punk rock.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.007 | 0.006 |
| Scholarly communication | 0.008 | 0.006 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.020 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".