L'image-fluctuation : une approche à l'image en mouvement comme système en transformation
Bibliographic record
Abstract
L’œuvre de cette recherche-création en média expérimental, intitulée Prises d’élans, est une performance vidéographique dans laquelle les déplacements de mon corps sont captés par la caméra d’un système robotisé qui affiche mon image sur un grand écran, celle-ci étant déformée et embrouillée en temps réel par une combinaison de techniques de pose longue et d’éclairage dynamique spécial comparables au light painting. En plus de l’application d’effets visuels sur l’image vidéo captée en direct, le système enregistre des images fixes au cours du procédé pour ensuite produire des animations image par image aux formes fluctuantes, oscillant entre le figuratif et l’abstrait. La présentation de cette performance au jury dans le cadre de ce mémoire a eu lieu dans les locaux du 7080 rue Alexandra, suite 506 à Montréal, le 6 novembre 2019. Le présent document d’accompagnement n’est pas axé sur une problématique directement associée au contenu ou à une signification possible de la performance (tel qu’un discours sur la représentation du corps ou sur les relations entre humain et machine, par exemple). Plutôt, les pages qui suivent serviront à expliciter l’approche à l’image en mouvement qui caractérise la démarche artistique par laquelle a été réalisée la performance vidéographique. Cette approche particulière fait appel à une conception de l’image comme étant un système complexe et en transformation perpétuelle : une image-fluctuation. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : fluctuation, performance, vidéo, robotique, émergence
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.014 | 0.004 |
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".