Home » PhD atelier DHLausanne » Visualisation et catégorisation automatiques de partitions musicales au moyen de tables de contingence (Christelle Cocco, 27 septembre 2013)

Visualisation et catégorisation automatiques de partitions musicales au moyen de tables de contingence (Christelle Cocco, 27 septembre 2013)

Compte-rendu de l’atelier DH doctorants Unil-EPFL du 27 septembre 2013, par Christelle Cocco

Doctorante dans la section des Sciences du Langage et de l’Information (SLI) en faculté des Lettres, je me suis d’abord intéressée aux données textuelles, pour ensuite transférer les méthodes textuelles sur la musique.

Le but de mon travail est de pratiquer une analyse exploratoire de données musicales pour découvrir, par l’intermédiaire de méthodes de visualisation et de regroupement, les structures statistiques qui existent ou non dans ces données. Pour y arriver, j’ai dû faire de nombreux choix, tant au niveau des données de base qu’au niveau des méthodes.

La première partie de ma présentation portait sur les méthodes que j’ai choisies d’utiliser. J’ai d’abord présenté des méthodes de base en analyse des données :

–       la représentation des données dans une table de contingence,

–       l’analyse factorielle des correspondances (AFC) et

–       la classification (non supervisée) ascendante hiérarchique.

Puis, j’ai exposé des méthodes plus innovantes dans le traitement des tables de contingence :

–       l’autocorrélation et

–       l’autocorrélation croisée.

Dans une deuxième partie, j’ai présenté l’application de ces méthodes sur des données musicales. J’ai d’abord expliqué comment j’ai transformé mes données symboliques digitales (par exemple du MIDI) en tables de contingence, avec une variation possible sur l’unité de temps de la représentation. Ensuite, j’ai montré les résultats qu’on obtient avec l’AFC et l’autocorrélation sur une partition à la fois, en partant d’une partition « simple » et monophonique : Frère Jacques ; et en continuant avec des exemples plus complexes, comme la Mazurka de Chopin, Op. 6, N° 1 ou la sonate L. 12 (K. 478) de Scarlatti. J’ai ensuite proposé l’analyse de plusieurs voix dans une même partition au moyen de l’AFC multiple et de l’autocorrélation croisée. Pour ce faire, j’ai utilisé deux quatuors : le Canon en ré majeur de Pachelbel et le Quatuor à cordes n° 1, Op. 18 de Beethoven. Finalement, basé sur la représentation en tables de contingence de mes données, j’ai présenté une classification ascendante hiérarchique de 20 partitions de 4 compositeurs (5 partitions par compositeur).

Ces résultats ont montré, avec les choix effectués pour les données et méthodes, que l’on retrouve parfois les structures auxquelles on s’attendait, et que j’ai découvert des structures auxquelles je ne m’attendais pas, que je peux parfois interpréter, parfois non.

La présentation a été suivie d’une discussion intéressante sur ce que les méthodes peuvent ou ne peuvent pas détecter. Par exemple, la représentation que j’ai choisie est invariante par transposition ou par permutations des notes, ainsi que par inversion du temps, mais elle ne l’est pas par permutation du temps ou par changement de l’unité de temps de la représentation.


Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s

Digital Humanities 2014

Follow

Get every new post delivered to your Inbox.

Join 33 other followers

%d bloggers like this: