• Langue : Anglais
• Discipline : Informatique et applications
• Identifiant : 2024ULILB042
• Type de thèse : Doctorat
• Date de soutenance : 10/12/2024

Résumé en langue originale

Cette thèse se concentre sur l'archivage numérique et l'analyse musicale pour l'ethnomusicologie, via des modélisations informatiques en recherche d'information musicales (MIR). Le corpus étudié est une collection de ballades folkloriques slovènes, qui soulèvent plusieurs questions de méthodologie et d'interprétation des données. La thèse apporte trois contributions.Premièrement, la thèse publie un corpus de 402 transcriptions monophoniques de ces ballades folkloriques slovènes, auparavant accessibles uniquement dans des archives physiques et des éditions imprimées. Ces transcriptions, enrichies de métadonnées et d'annotations, sont mises à disposition via la plateforme libre Dezrann. La thèse décrit également l'histoire de ce corpus et de ces transcriptions mélodiques.Deuxièmement, la thèse propose des alogrithmes de recherche de motifs et de descripteurs musicaux pour ce corpus. Certains algorithmes utilisent des tableaux de suffixes compressés sous forme de transformée de Burrows-Wheeler ainsi que des opérations bit-à-bit. Ils sont efficaces en termes de temps et d'espace pour la découverte de motifs et la classification, et peuvent s'appliquer au-delà du corpus initial.Enfin, la thèse mène une réflexion sur les recherches en MIR en ethnomusicologie, en examinant les défis et les opportunités de collaboration entre ces domaines. Bien que l'informatique fournisse des outils puissants pour l'analyse musicale à grande échelle, il est difficile de les appliquer au matériel ethnomusicologique qui est complexe et riche en contexte. La thèse démontre le potentiel de ces méthodes tout en abordant les obstacles institutionnels et disciplinaires qui peuvent freiner ce travail interdisciplinaire.

Résumé traduit

This thesis focuses on combining digital archiving and music analysis derived from ethnomusicological practices and methods that are rooted in computational sciences, especially those found in the field of Music Information Retrieval (MIR). The analysis and other tasks focus on the collection of Slovenian folk song ballads, which trigger several questions in terms of methodology and data interpretation. In the broadest sense, the thesis provides three contributions.First, it digitises and publishes a dataset of 402 monophonic transcriptions of Slovenian folk song ballads, which had previously been accessible only in physical archives and editions. These transcriptions, enriched with metadata and annotations, are made available through the open-source platform Dezrann. The dataset, along with its accompanying materials, includes detailed information on the history of the corpus and its melodic transcriptions, as well as a variety of music annotations.Second, it introduces pattern-matching algorithms specifically designed for this folk song dataset. These algorithms, implemented using Python libraries, address four distinct tasks: melodic sequence matching, two descriptor set-based matching tasks, and a combination of both. By using bitwise operators and compressed suffix arrays, the method proves as a time- and space-efficient solution for pattern discovery and classification. The flexibility of these methods encourages their applicability beyond the introduced corpus to other types of (music) collections.Finally, it critically engages with the disciplinary intersections of MIR and ethnomusicology, examining the challenges and opportunities for collaboration between these fields. While MIR provides powerful tools for large-scale music analysis, this research highlights the difficulties in adapting computational techniques to the nuanced, context-rich materials often encountered in ethnomusicology. Through case studies and evaluations, the thesis demonstrates the potential for integrating algorithmic methods with traditional musicological approaches, while also addressing the institutional and disciplinary barriers that have hindered such cross-disciplinary work.