Affektit ilmaisukeinoina vastausmusiikin toteuttamisessa
Bibliographic record
Abstract
Tässä työssä tarkastelun kohteena on joitakin Suomen evankelis-luterilaisen kirkon jumalanpalvelusjärjestykseen sisältyvän vastausmusiikin ilmenemismuotoja suhteessa affekteihin ilmaisukeinoina. Työn ei ole tarkoitus tuottaa yleistettäviä tuloksia. Työ tarjoaa kuitenkin avauksen ja näkökulman vastausmusiikin tarkoituksen ja eri toteutumistapojen käsittelyyn. Vastausmusiikista ei ole kirjoitettu paljon, joten on oleellista syventää käsityksiä vastausmusiikin mahdollisuuksista. Lähestyn vastausmusiikkia kirkkomusiikkina, en teologisesta näkökulmasta. Lähestyn myös vastausmusiikin toteuttamista muusikon näkökulmasta pyrkien retorisesti elävään esittämiseen. Lähestyn teosanalyysia laulavana muusikkona, mikä vaikuttaa teoksen tulkintaan. Affektin voi määritellä tunteena tai mielihaluna. Tässä yhteydessä erotellaan affekti tunteesta, jolloin affekti voi olla sekä laajemmin ymmärrettävä käsite että toisaalta muusikon tai kuulijan kokemana subjektiivinen tunne tai kehollinen tuntemus. Kirjallinen työ on osa projektia, johon kuuluu myös konsertti. Kirjalliseen työhön kuuluu affektianalyysi Henry Purcellin teoksesta The Blessed Virgin's Expostulations sekä vastausmusiikin soveltamisehdotuksia. Teosanalyysi liittyy myös konsertin harjoitteluprosessiin ja analysoitava teos on osa konserttiohjelmasta. Vastausmusiikin dialogiset ominaisuudet ovat oleelliset, jolloin vastausmusiikin esittämisessä pitäisi pyrkiä tavoittamaan kuulija affektien ilmentämisen keinoin. Samoin ehdotan, että ilmaisu on yhtä lailla keskeistä esitettäessä musiikkia muissa kuin kirkollisissa yhteyksissä.
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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.089 | 0.012 |
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".