Extended reality and immersive experiences : new technologies revolutionising the role of the composer?
Bibliographic record
Abstract
Comment les technologies immersives, en particulier la réalité mixte, transforment le rôle du compositeur ? Basé sur mon expérience professionnelle en tant que chargée de production et compositrice chez SAGA Stratégie Sonore, j’ai contribué à la réalisation d’une exposition immersive sur le hip-hop pour le Musée de la Civilisation à Québec. L’étude examine l’impact de la réalité étendue (XR) sur la composition musicale, en se concentrant sur de nouveaux éléments tels que l’audio 3D, la spatialisation et l’interactivité. À travers une étude de cas de Sur Paroles. Le Son du rap Queb. et des entretiens avec des compositeurs, ce mémoire analyse comment ces technologies élargissent le champ de compétences des compositeurs, incluant parfois des responsabilités en gestion de projet et production. Ce travail interroge si la XR introduit un nouveau métier pour les compositeurs ou s’il s’agit d’une évolution naturelle de leur rôle. Il vise à contribuer aux réflexions sur l’avenir de la composition dans le contexte des technologies immersives, soulignant les nouvelles compétences et l’adaptabilité requises pour évoluer dans ces espaces créatifs en pleine mutation.
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 | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.006 |
| Scholarly communication | 0.009 | 0.010 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.002 | 0.002 |
| 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".