Evaluation of the vocal accuracy in a melodic context
Bibliographic record
Abstract
Afin de déterminer si une performance vocale mélodique est « juste » ou « fausse », de mieux comprendre les causes d’un trouble de justesse ou encore de porter un jugement sur la qualité d’un chanteur, des outils d’évaluation sont nécessaires. Actuellement, deux méthodes existent pour évaluer la justesse d’une performance. La méthode « subjective » fait appel à des juges alors que la méthode « objective » utilise des outils informatiques. Si la première permet une évaluation rapide, elle manque de précision. La méthode objective semble actuellement privilégiée mais les outils utilisés montrent également des limites (au niveau technique et au niveau du choix des erreurs à quantifier) que notre recherche a pour objectif de dépasser. La première étape consistait à mettre au point une méthode objective fonctionnelle et tenant compte des différentes erreurs mélodiques dictées par le système tonal occidental (respect des contours, de la taille des intervalles et de la tonalité). Nous l’avons alors appliquée à l’évaluation de voix de chanteurs occasionnels et professionnels. Ces premières études nous ont permis de constater la fonctionnalité et la légitimité de notre méthode mais également ses limites lorsqu’il s’agit d’analyser des signaux complexes tels que les voix des chanteurs lyriques. Dans un deuxième temps, nous avons observé la pertinence de cette méthode, c’est-à-dire l’intérêt d’évaluer des performances en contexte mélodique (par rapport à des tâches d’imitation de sons isolés) et l’intérêt de différencier les erreurs mélodiques possibles (dictées par le système tonal occidental). Finalement, la comparaison entre notre méthode objective et l’évaluation effectuée par des experts en musique nous a permis d’analyser leur évaluation de performances chantées par des chanteurs occasionnels ou lyriques, et ainsi de mieux comprendre la notion de justesse. A travers sept études, cette thèse a permis d’explorer les aspects méthodologiques et théoriques de la justesse en contexte mélodique. Les résultats de ces études nous permettent de clarifier la définition de justesse vocale et d’envisager les nombreuses perspectives cliniques et expérimentales offertes par notre méthode d’évaluation de la justesse vocale en contexte mélodique.
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 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 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".