La juste rémunération des créateurs de la musique à l’ère du numérique : regard croisé France-Canada : quelle régulation pour assurer l’équitable répartition des redevances musicales à l’ère du numérique?
Bibliographic record
Abstract
La rémunération des créateurs d’œuvres musicales est indispensable au développement et à la pérennisation de l’innovation artistique. Cette rémunération doit se faire de manière juste et équitable entre les divers acteurs de la création musicale. Pour assurer une répartition équitable des redevances musicales, le droit de la propriété intellectuelle prévoit diverses règles et mécanismes de gestion des droits d’auteur. Cependant, à l’ère du numérique, ces mécanismes ne semblent plus efficaces face au développement des technologies informatiques. À côté des règles étatiques, des règles d’origine privée se sont développées. Parmi ces règles, les règles de nature technique et informatique présentent des caractéristiques intéressantes et efficaces pour renforcer et/ou suppléer les règles étatiques de gestion des droits d’auteur. En partant du principe que l’on se trouve aujourd’hui dans une ère juridique postmoderne où se juxtaposent des règles juridiques d’origine et de nature différentes, ce mémoire se présente comme une réflexion sur le type de régulation le plus pertinent pour assurer la juste et équitable rémunération des créateurs de la musique à l’ère du numérique.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.014 | 0.012 |
| Scholarly communication | 0.014 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.017 | 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".