Desplegando el potencial de la Musicología computacional

Traducción: Esteban Calcagno

Anja Volk, Frans Wiering

Informatics Research Centre and INSTICC – Institute for Systems and Technologies of Information, Control and
Communication

Proceedings of the 13 International Conference on Informatics and Semiotics in Organisations: Problems and
Possibilities of Computational Humanities. 2011.

Resumen:
Este documento aborda las actuales oportunidades y desafíos en musicología computacional.
La musicología computacional es un área de investigación genuinamente interdisciplinar que
requiere la contribución de preguntas, métodos y las percepciones tanto de la musicología
como de las ciencias de la computación. Este artículo demuestra que los enfoques
computacionales de las preguntas musicológicas generan nuevas perspectivas para la
musicología. A su vez, la musicología computacional tiene el potencial para convertirse en un
aliado indispensable de la ciencia de la computación en lo que se denomina Music Information
Retrieval (MIR, recuperación de la información musical). Aquí argumentamos que aun no se ha
llegado a un enfoque completo de esta empresa para desplegar el potencial de la musicología
computacional, por lo que se discuten ejemplos de direcciones colaborativas prometedoras.

1-Introducción
Morehen y Bent (1979) ponen en relieve la expectativa de que los abordajes computacionales
en musicología podrían convertirse en una “respetable” y “extendida” disciplina académica. Sin
embargo, Cook (2005) caracteriza la relación entre ciencias computacionales y musicología,
desarrollado durante décadas, como un momento de oportunidad bastante largo que aun no
ha llegado a cumplir el potencial prometedor que se esperaba en esta relación.
En este artículo discutiremos tanto las chances actuales como los desafíos en musicología
computacional. La musicología computacional es un área interdisciplinar genuina que requiere
la contribución de preguntas, métodos y percepciones tanto de musicólogos como de
informáticos. Dentro de estas configuraciones interdisciplinarias, la investigación de cuestiones
musicológicas con abordaje computacional genera tanto nuevas perspectivas sobre viejos
problemas como nuevas preguntas en el contexto de la investigación musicológica.
Los abordajes computacionales sobre la investigación metodológica han llevado a incrementar
los esfuerzos en formalizar y probar empíricamente los conocimientos musicológicos. Esto a
contribuido a una mayor visibilidad de la musicología dentro de las disciplinas científicas
(Honing, 2006a). Sin embargo, debido a la explosión en digitalización musical en las ultimas
décadas, una nueva área de investigación, Music Information retrieval (MIR), extracción de
información musical, ha evolucionado, para la cual se han diseñado métodos para extraer
información a partir de grandes bases de datos usando “contenido” musical en forma de
metadata (Downie, 2003). Muchos modelos computacionales para música han sido
desarrollados dentro del área de MIR. Sin embargo, tanto el potencial de estos modelos que
contribuyen a la musicología como el potencial de la musicología que contribuye a construir
modelos no han sido totalmente explotados hasta esta fecha. Se mostrará en este articulo que
la musicología computacional tiene el potencial de convertirse en un socio indispensable de la
informática a partir del enriquecimiento de los datos necesarios para direccionar los avances
del trabajo con MIR, mediante la utilización de alternativas basadas en el conocimiento (De
Haas y Wiering, 2010).
Este artículo discute dos aspectos importantes del potencial de la musicología computacional:
en la sección 2 demuestra la habilidad de abrir nuevas perspectivas y preguntas en
investigación musicológica, y la sección 3 el potencial de una conexión interdisciplinaria entre
los conocimientos musicológicos y el modelado computacional en MIR.

2-Nuevas perspectivas para Investigaciones musicológicas.

Aunque el potencial de la computadora como contribución a la investigación musicológica ha
sido previsto en la década de 1950, el primer proyecto computacional con un fin académico en
música comenzó en la década de 1960. Heckmann (1966) esperaba que el uso de
computadoras dentro de la musicología podría abrir áreas de investigación enteras, debido a
que la computadora permitía procesar grandes cantidades de información que son dificultosas
de observar y analizar en una escala humana biológica. Entonces, la computadora podría ser un
asistente, por ejemplo, en la búsqueda de patrones musicales en cientos de piezas. Como
argumenta Huron (1999ª), los abordajes computacionales tienen el potencial de convertir la
musicología en un campo rico en datos, lo que podría “proveer una gran potencia para probar
hipótesis”, y seguramente más que las áreas con poca cantidad de información, áreas en las
cuales tradicionalmente ha pertenecido la musicología. Los musicólogos anticipaban “retornos
colosales” a partir del abordaje computacional y hacían “planes para una revolución de la
información” desde 1960 en adelante, como documenta Hewlett y Selfridge-Field (1991).
Sin embargo, durante la década de 1980 el escepticismo se extendió con respecto a los
abordajes informáticos en música. Muchos aspectos diferentes contribuyeron para que esto se
desarrollara. Un problema fue que las teorías musicales existentes difícilmente podrían
implementarse de inmediato, ya que no estaban lo suficientemente formalizadas para ser
traducidas a un programa de computadora. Como Vercoe (1971) establecía, “Pareciera que no
contamos con una teoría de la música definida lo suficiente como para poder tener un set
lógico consistente de relaciones entre los elementos, lo cual es necesario para crear un
programa”. Por lo tanto, lograr resultados de gran alcance a través de la musicología
computacional resulto ser mucho más difícil de lo que se esperaba en los años 60’s. El fin del
siglo 20 presencio un rápido avance en la digitalización de la música, lo cual hizo que grandes
colecciones de música digitalizada estuvieran finalmente disponibles para su utilización. Esto
creo la posibilidad y la necesidad de desarrollar modelos computacionales de forma que se
investiguen estas grandes cantidades de datos dentro de la música digitalizada.
De acuerdo con esto, muchos abordajes computacionales diferentes para muchas diferentes
preguntas musicológicas han sido desarrolladas desde entonces. En esta sección vamos a dar
una visión general de que nuevas perspectivas han sido abiertas a través de la musicología
computacional sobre preguntas genuinas de musicología. La musicología, como una disciplina
académica, esta dividida en muchos sub campos de investigación, con diferentes convenciones
en diferentes países de cuales son las áreas que integran la musicología. Por ejemplo, para los
británicos y australasianos “musicología” es un termino inclusivo, que subsume la teoría
musical y la etnomusicología, mientras que en Norteamérica, los musicólogos se distinguen de
la etnomusicología y las teorías musicales y se llaman a si mismo musicólogos como un área
apartada (ver Cook, 1998). En este artículo se usará el término “musicología” en su forma más
inclusiva, pensado no como una demarcación de la teoría musical o la etnomusicología.
En la siguiente sección se especifican cinco áreas dentro de la musicología, las cuales son teoría
y análisis musical, musicología histórica, etnomusicología, musicología cognitiva e investigación
en performance musical y la contribución de los abordajes computacionales a las preguntas de
investigación de estas áreas.

2.1 Abordajes Computacional sobre las áreas de investigación musicológicas.

2.1.1 Análisis y teoría musical

Desde los inicios de la musicología computacional en la década de 1960, el análisis de piezas
musicales con la ayuda de computadoras ha formado un tópico central en la musicología
computacional. Por ejemplo, un proyecto bibliográfico sobre la Chanson Francesa del siglo XVI
(Bernstein & Olive, 1968) rápidamente se convirtió en un proyecto analítico, como
argumentaron Morehen & Bent (1979), ya que los enfoques analíticos de la música resultaron
ser necesarios para poder reconocer patrones similares dentro de diferentes Chansons. El
reconocimiento de la falta de enfoques analíticos formalizados dentro de la musicología en el
contexto de los enfoques computacionales en la década de 1970 condujo a esfuerzos crecientes
en la formalización de las teorías musicales que subyacen al análisis musical. Términos teóricos
musicales básicos, como escala, acorde o tonalidad necesitaron ser redefinidos para poder ser
aplicables en el análisis musical computacional (ver Honingh y Bod(2010) para un modelo
computacional de escalas).
Un ejemplo destacado de vincular los conceptos de la teoría musical con procedimientos
analíticos concretos para piezas musicales es el desarrollo de los enfoques computacionales de
la tonalidad. Por ejemplo, Longuet-Higgins (1962) desarrollaron un enfoque computacional para
determinar la tonalidad de una pieza musical basada en la noción teórica musical de Tonnetz
(ver https://en.wikipedia.org/wiki/Tonnetz). El Tonnetz, un espacio de tono bidimensional que
representa relaciones de tono abstractas, primero fue desarrollado por Leonhard Euler y luego
utilizado por Arthur von Oettingen y Hugo Riemann para mostrar relaciones tonales (por
ejemplo, las relaciones entre diferentes acordes). El enfoque de Longuet-Higgin desarrolló aún
más en el modelo Spiral Array de Chew (2000) (ver también
https://en.wikipedia.org/wiki/Spiral_array_model), que se ha aplicado a cuestiones como la
determinación de áreas tonales estables Vs áreas de modulación tonal, segmentación musical
de piezas y la evaluación de similaridad basada en la tonalidad. Las relaciones tonales
pertenecen al grupo de las características musicales más estudiadas en la música clásica
occidental. Sin embargo, las relaciones de tono abstractas (como las secuencias de acordes
consideradas prototípicas, por ejemplo, ciertos tipos de cadencia) como se estudian en la teoría
musical, a menudo son difíciles de vincular a las relaciones de tono concretas que ocurren en
piezas musicales. Los modelos computacionales de tonalidad, basados en relaciones de tonos
abstractos y aplicados a piezas musicales digitalizadas, proporcionan el vínculo entre los
conceptos teóricos de tonalidad y su aplicación a la música del "mundo real".
Otra área destacada dentro de los enfoques computacionales sobre el análisis musical es el
estudio del ritmo y el metro. Mientras Riemann (1903) predijo que el estudio del ritmo y el
metro podría formar un tópico importante en la musicología del siglo XX, de la Motte-Haber
(1968) establecieron que esta expectativa podía no ser totalmente cumplida. Sin embargo,
dentro de los enfoques computacionales, el ritmo y el metro se convirtieron en uno de los mas
importantes tópicos de las áreas de investigación. Un tópico destacable es la detección
automática de la estructura métrica de las piezas musicales, usando enfoques basados en reglas
(Temperley, 2001), en enfoques probabilísticos (Raphael, 2001) o en la detección de patrones
de pulso (Volk, 2008a). Los estudios de la tonalidad de las piezas musicales se han distinguido
durante mucho tiempo en las áreas de estabilidad y cambio tanto en la información tonal a
gran escala (por ejemplo, las secciones principales) como en la información tonal en pequeña
escala (por ejemplo, las progresiones de acordes cortas). En contraste, la estructura métrica de
una pieza musical, dada por el compas, fue considerada una característica mas estática. Sin
embargo, la aplicación del modelo de Análisis Métrico Interno de Volk (2008a) ha demostrado
que la información de tiempo en la música también fluctúa entre la persistencia y el cambio, de
modo que la estructura métrica de una pieza surge de diferentes niveles jerárquicos.
En el área de análisis musical, Huron (1996) ha probado la hipótesis musicológica de que la
mayor parte de las melodías siguen una forma de arco, a partir del uso de Humdrum-Toolkit
(ver Huron, 2002) (ver también https://www.humdrum.org/). Su análisis de 6000 melodías, que
contienen 36000 frases, de las canciones folclóricas de Essen (Essen FolkSong, ver también
http://essen.themefinder.org/ y http://www.esac-data.org/) es un ejemplo de como los
métodos computacionales habilitan las pruebas de conocimiento implícito de los expertos
musicólogos a través de los enfoques ricos en datos. Sin una prueba tan rigurosa, sigue siendo
una pregunta abierta si el conocimiento experto está enraizado en una perspectiva sesgada del
material musical. El análisis de Huron confirma la hipótesis del arco melódico en la colección de
las Essen Folksongs.
La musicología computacional ha ayudado a vincular teorías musicales abstractas con análisis
concretos y operacionales de piezas musicales; ha ayudado a explicar y verificar el
conocimiento musicológico implícito y ha abierto nuevas perspectivas sobre el material musical
en áreas de análisis de música que han recibido menos atención dentro de la musicología.
Además, mostraremos en la sección 3 que los resultados de la musicología computacional en el
área del análisis de la música son de importancia crucial para el MlR.

2.1.2 Musicología Histórica

La meta de la musicología histórica es entender el trabajo musical en su contexto histórico.
Tradicionalmente, el foco en esta área ha estado en: 1) como los métodos compositivos y los
estilos musicales se han desarrollado; 2) las biografías de los compositores, con un menor rol de
análisis para los aspectos performativos y socioeconómicos. La musicología histórica solía tener
la agenda subyacente para mostrar cómo a lo largo del tiempo surgió el ideal del trabajo
musical como una creación estética autónoma y atemporal. Los enfoques modernos, críticos,
han afirmado generalmente lo contrario, a saber, que las creaciones musicales son, ante todo,
explicadas desde sus contextos. Sin embargo, el nuevo énfasis en la subjetividad y la
originalidad en la investigación se logró a expensas de los enfoques de investigación
incrementales y de colaboración basados en la evidencia. Ahora se reconoce generalmente que
este nuevo énfasis es también una debilidad. Creemos que los enfoques computacionales ricos
en datos pueden remediar esto, como argumentaremos en la sección 4.
La musicología histórica ha construido una infraestructura impresionante en la forma de
publicación de artículos, de inventarios de fuentes, de edición musical y artículos escolares.
Gradualmente, estos han sido completados mediante recursos digitales, como la base de datos
de fuentes manuscritas RISM A/II (ver http://opac.rism.info). Dichos recursos digitales todavía
están separados e incompletos, pero pueden servir como base para una infraestructura
electrónica integral para la musicología histórica. Particularmente interesantes a este respecto
son las iniciativas para crear ediciones académicas digitales de música con el fin de resolver una
serie de problemas que existen en ediciones en papel:

1: Las publicaciones en papel tratan las obras musicales como entidades estáticas, mientras que
ahora se consideran adaptables debido a los requisitos del contexto. Por lo tanto, es
importante poder incluir diferentes versiones históricas de una obra en una edición.
2: Se pueden crear diferentes 'vistas' de la pieza, por ejemplo, transposiciones,
representaciones en diferentes estilos de notación o con diferentes partes instrumentales, o
descripciones generales de alto nivel.
3: Las ediciones digitales pueden incorporar materiales multimediales como grabaciones y
videos.
4: Las ediciones digitales pueden ser concebidas como ediciones colaborativas incrementales
agregando nuevos materiales, vistas e información contextual.
5: El contenido de ediciones digitales puede ser automáticamente buscado y analizado para
propósitos académicos, educativos o performaticos, entre otros.

Una edición musical digital no es un producto estático, ya que es información básica de fuentes
materiales que puede ser enriquecida por investigadores y performers (Wiering, 2009a).
Un buen ejemplo de una edición critica digital de música que esta en boga es el CMME
(Computerized Mensural Music Editing - www.cmme.org ), el cual contiene música vocal del
renacimiento. Este sitio aborda los temas 1 y 2 en particular. Sin embargo, el concepto de la
edición digital académica de la música sigue siendo inmaduro; El hecho de realizarlo
plenamente en todas sus implicaciones es un desafío importante, como veremos en la sección
4.

2.1.3 Etnomusicología
La etnomusicología se considera como el "estudio de los aspectos sociales y culturales de la
música y la danza en contextos locales y globales" (New Grove Online). El término se introdujo
en la década de 1950 y reemplazó el término más antiguo de musicología comparada, que se ha
definido como la comparación de "productos tonales, en particular las canciones populares de
varios pueblos, países y territorios" (Adler, 1885). Un tema central en etnomusicología, en el
que se han aplicado enfoques computacionales, es el estudio de las canciones populares que se
han transmitido a través de la tradición oral. La investigación de grandes cuerpos de canciones
populares se remonta a los inicios de la musicología computacional en la década de 1960
(véase, por ejemplo, Suchoff, 1969). Dado que la tradición oral introduce variaciones en las
canciones populares, lo que conduce a muchas variantes diferentes de una canción, un tema
típico en etnomusicología es la clasificación de las canciones en familias de melodías. Las
familias de melodías (tune) son melodías que se consideran que tienen el mismo origen
histórico. Se han introducido diferentes sistemas de clasificación para canciones populares,
como el sistema de Krohn (1903) para ordenar canciones de acuerdo con sus tonos de
cadencia. Sin embargo, los enfoques computacionales permiten el procesamiento de
información mucho más compleja de las canciones. Por ejemplo, el modelo computacional
basado en la alineación de Van Kranenburg (2010) con las similitudes de las canciones
populares procesa información sobre el tono, la estructura métrica y la estructura de frases de
melodías completas. El modelo se ha utilizado con éxito para recuperar canciones populares
holandesas organizadas por el Instituto Meertens que pertenecen a la misma familia de
melodías según expertos en musicología. La noción de familia de melodías en el Instituto
Meertens apenas se ha formalizado, pero el éxito del modelo computacional en Kranenburg
(2010) para recuperar melodías pertenecientes a la misma familia de melodías demuestra que,
sin embargo, existe un enfoque sistemático que subyace en el concepto de familia de melodías.
La comparación de grandes corpus de canciones populares de diferentes regiones geográficas
(por ejemplo, Juhasz, 2006; Aarden y Huron, 2001) proporciona otro ejemplo de enfoques
basados en datos a través del modelado computacional. A diferencia de la teoría musical, que
se concentra en análisis exhaustivos de piezas musicales únicas, la etnomusicología es un
campo rico en datos por definición. Los enfoques computacionales permiten la cuantificación y
evaluación de las declaraciones cualitativas de los etnomusicólogos, como la lista de cambios
típicos introducidos en las canciones populares a través de la transmisión oral según lo
dispuesto por Wiora (1941).

2.1.4 Musicología cognitiva

El término musicología cognitiva fue acuñado por Laske (1988). La musicología cognitiva
"estudia los hábitos musicales de la mente, de modo que los procesos musicales son de mayor
interés para el investigador que el contenido musical" (Huron, 1999b). Mientras que un teórico
de la música investiga las complejas relaciones entre las notas, los acordes y las secciones de
una pieza musical como se indica en la partitura, el musicólogo cognitivo está más interesado
en cómo se experimentan estas relaciones dentro del proceso de escucha. Desde su inicio en la
década de 1970, la ciencia cognitiva estuvo fuertemente conectada con el estudio de la mente
humana a través del paradigma computacional. Los modelos computacionales han contribuido,
por ejemplo, a comprender el proceso de interpretación del ritmo mientras escuchan música
monofónica (Longuet-Higgins y Lee, 1984), a comprender la evaluación humana de la similitud
melódica (Mullensiefen y Frieler, 2007) o a comprender los procesos de segmentación en la
música (Cambouropoulos, 2001). Los modelos computacionales permiten probar suposiciones
básicas de teorías cognitivas, que resultaron, por ejemplo, en una revisión de las capacidades
musicales "innatas" reclamadas por Narmour (1990), a través de un experimento
computacional de Pearce y Wiggins (2006). Los modelos computacionales también permiten
probar suposiciones que subyacen a los experimentos de escucha, como la revisión del papel
del tono (pitch) en la percepción del metro en ragtimes investigados por Snyder y Krumhansl
(2001) a través de un enfoque computacional sobre la inducción del metro, desarrollado por
Volk (2008b).
La musicología cognitiva ha contribuido a probar la relevancia perceptiva de las teorías
musicales; muchos enfoques computacionales de la cognición de las estructuras musicales se
han utilizado posteriormente para los procedimientos analíticos de música (Temperley, 2001).
Esto los hace especialmente relevantes para la investigación en MlR, como se argumenta en la
sección 3.

2.1.5 Investigación en Performance Musical

El foco predominante de la investigación musicológica ha sido durante mucho tiempo el estudio
de las partituras musicales. Por el contrario, los estudios de interpretación intentan investigar la
actividad musical de la ejecución, durante la cual el intérprete debe especificar parámetros
musicales que no se capturan en la partitura (como el tempo o el volumen exacto).
Hugo Riemann desarrolló un enfoque teórico de la relación entre el análisis de la música y la
interpretación, basándose en el supuesto de que el intérprete debe transmitir la estructura
musical al oyente. Por ejemplo, Riemann (1905) sugirió configurar la forma del tempo de una
pieza musical de tal manera que se acorte la duración del tiempo fuerte y se prolongue la
duración del tiempo débil para transmitir la posición del primer golpe fuerte en un compas al
oyente. Fleischer-Volk (2003) ha probado esta estrategia con un modelo computacional que
utiliza ponderaciones analíticas obtenidas de un análisis computacional de la pieza para generar
un rendimiento expresivo. El uso de pesos métricos para dar forma al tempo a la manera de
Riemann dio lugar a un resultado ridículo, ya que el primer tiempo fuerte del compas se toca
demasiado pronto debido al acortamiento del ritmo del compas anterior. En cambio, invertir la
estrategia llevó a un desempeño razonable. Por lo tanto, a través de este experimento
computacional, la hipótesis de Riemann fue clasificada como falsa. El modelado computacional
permitió una simulación de un proceso complejo, a saber, la interpretación musical de un
pianista humano que involucra información muy diferente, mediante la construcción de una
interpretación artificial reducida al ritmo basada solo en información métrica.
Un tema central en la investigación de la performance es la comparación de diferentes
desempeños humanos de la misma pieza para investigar estrategias de desempeño
individuales. Por ejemplo, Goebl et al. (2004) introdujo una herramienta de visualización para
patrones de performance que permite cambiar entre diferentes interpretaciones de la misma
pieza mientras se visualizan los patrones de tiempo y dinámica. Cook y Sapp (2007) detectaron
plagios en un proyecto sobre performances de Mazurkas en un CD grabado por Joyce Hatto. La
comparación de las interpretaciones de Schumann's Traumerei por Beran y Mazzola (1999)
demostró que Cortot y Horowitz tienen formas opuestas de modelar el tempo: Horowitz pone
un gran énfasis en las estructuras locales, mientras que las prestaciones de Cortot tienen un
alto grado de cuatro periodicidades de medida.
La investigación de enfoques computacionales permite, por lo tanto, probar las consideraciones
sobre el rendimiento y enriquecer el estudio de la notación musical mediante el estudio la
performance real de la pieza.

2.2 Resumen sobre nuevas perspectivas

La musicología computacional ha abierto nuevas formas de evaluación empírica para conceptos
musicológicos a través de experimentos computacionales en muchas áreas de investigación
diferentes. Esto ha ayudado a explicar el conocimiento musicológico implícito, a formalizar
construcciones musicológicas básicas y a establecer nuevas áreas de investigación, como la
musicología cognitiva y la investigación de performance. Además, los modelos computacionales
ayudan a conectar diferentes sub campos de la musicología (ver, por ejemplo, Yolk, 2008b para
conectar el análisis de la música y la cognición de la música). Los esfuerzos crecientes en la
formalización y prueba de los conceptos musicológicos son especialmente relevantes para la
aplicación de estos conceptos dentro de la Recuperación de información musical, como se
explica en la siguiente sección.

3. Musicología y MIR (Music Information Retrieval – Extracción de Información Musical)

Tanto el auge de Internet y la World Wide Web, como la invención de la codificación de audio
MP3, dieron un enorme impulso al procesamiento computacional de la música dentro del área
de investigación de Extracción de información musical (MlR). El objetivo principal de MlR es
diseñar métodos para recuperar 'información musical' de grandes bases de datos usando
'contenido' musical en lugar de 'metadatos' (Downie, 2003). Las tareas típicas incluyen
clasificación de género, reconocimiento de artistas, recuperación de canciones, recomendación
de canciones y reconocimiento de emociones.
Dado que una mejor comprensión de la música conducirá a sistemas de recuperación de música
más robustos y flexibles, los modelos computacionales de "contenido musical" son necesarios
para lograr métodos de recuperación de alta calidad. Para el desarrollo de estos modelos, la
contribución de la musicología es de crucial importancia. Por ejemplo, La teoría musical y la
musicología cognitiva proporcionan conceptos para describir las estructuras musicales y su
cognición humana. Además, el conocimiento sobre el contexto (etnológico) de la música es
necesario para explicar cómo se usa la música y qué tipos de significados se establecen dentro
de las relaciones entre la música y las diferentes "audiencias".
Sin embargo, aunque los conceptos musicales básicos, como el tono, el acorde, el metro, etc.,
son ampliamente utilizados, la mayoría de los estudios en el campo de MIR no emplean
explícitamente conocimientos y modelos de música más elaborados. Esto tiene varias razones.
En primer lugar, la mayoría de los científicos informáticos que contribuyen a MlR no tienen una
formación musical en sí mismas. En segundo lugar, es difícil encontrar modelos listos para usar
en la literatura musicológica que sean adecuados y que puedan implementarse. En nuestra
visión, aquí radica una tarea importante para la musicología computacional, es decir, contribuir
al desarrollo de modelos computacionales de música que pueden emplearse dentro de los
sistemas MlR.
Un aspecto específico de la metodología MlR que se beneficiaría de una mayor contribución de
la musicología computacional es el establecimiento y el empleo de los llamados datos de la
verdad fundamental (ground-truth data). Para probar los métodos de recuperación, los
resultados de los métodos se comparan con un conjunto establecido a priori de resultados que
se considera el resultado correcto (la "verdad fundamental" o "estándar de oro"). La calidad del
método se indica en la medida en que el método en cuestión puede reproducir estos datos de
la verdad fundamental. Sin embargo, una cuestión fundamental de este enfoque es la
suposición de que se conoce el resultado correcto, lo que a menudo no es el caso. Por ejemplo,
para probar un algoritmo de reconocimiento de emociones a partir de señales de audio, se
necesita una colección de fragmentos de audio con las "emociones" correspondientes como
verdad fundamental. Reunir un conjunto de este tipo es muy problemático, ya que la cuestión
de cómo se relacionan la música y la emoción sigue siendo un tema de debate. Por lo tanto, los
modelos computacionales de la relación entre música y emoción solo pueden considerarse
como hipótesis. Los resultados o las predicciones de tales modelos deben ser interpretados por
estudiosos de la música, y los resultados de la interpretación deben integrarse en el discurso
del dominio en curso.
Como un ejemplo exitoso de la creación de una ground-truth informada musicológicamente,
nos referimos a un método de anotación sobre la similitud melódica de las melodías de
canciones populares holandesas introducidas por Volk et al. (2008). El método de anotación
permite hacer explícitos los criterios implícitos para la percepción humana de similitud
melódica y estudiar su importancia relativa. Los criterios para las anotaciones se establecieron
junto con los especialistas en musicología y los resultados del procesamiento algorítmico
llevaron a reconsiderar las anotaciones (Van Kranenburg 2010, sección 6.5). Por lo tanto, la
ground-truth de las anotaciones de similitud humana no se consideró como una verdad
estática, sino como un punto de partida de la investigación de la similitud melódica. El
modelado computacional contribuyó sustancialmente a evaluar y reconsiderar las ideas
musicológicas.
En resumen, la musicología computacional tiene el potencial de enriquecer la investigación de
MIR con modelos de contenido y contexto musical informados y ejecutados desde el punto de
vista musicológico.

4. Desafíos
En los últimos 20 años, los modelos computacionales se han desarrollado con éxito para
campos muy diferentes dentro de la investigación musicológica. Sin embargo, el modelado
computacional aún no pertenece a los métodos cotidianos utilizados por los musicólogos, como
Cook (2005) imaginó que podría ser. Argumenta que la abundancia de diferentes herramientas
computacionales con poca consistencia entre ellas dificulta su uso para el musicólogo de
"trabajo". Sin embargo, la musicología en sí está dispersa en muchos sub campos que a menudo
están bastante desconectados unos de otros. Como resultado, el diseño e implementación de
enfoques computacionales con una amplia gama de aplicaciones de manera consistente sigue
siendo difícil.
Un desafío importante para el desarrollo de métodos computacionales es la formalización de la
música. Para el procesamiento algorítmico, los datos musicales deben formalizarse en
estructuras de datos apropiadas. Dado que dicha estructura de datos puede considerarse un
modelo de los datos musicales, esta formalización es un tema de investigación en sí mismo.
Obviamente, el conocimiento musicológico es necesario para determinar, de qué manera los
aspectos de la música pueden ser descritos por modelos formales. En el área de la teoría y el
análisis de la música, los fenómenos musicales complejos se han deconstruido en diferentes
componentes a través del modelado computacional, como componentes melódicos, rítmicos o
armónicos. A través del modelado computacional, estos componentes han sido descritos y
analizados en detalles sin precedentes. Sin embargo, la estructura musical de una pieza es una
entidad compleja que surge de la interacción de estos componentes. La integración de
componentes aislados de la música en un modelo holístico de estructura musical a través del
modelado computacional es un desafío para futuras investigaciones.
En el área de la musicología cognitiva, se han desarrollado muchos modelos computacionales
diferentes, a menudo sobre temas relacionados. La abundancia de modelos existentes sobre el
mismo tema requiere el desarrollo de estrategias para comparar y seleccionar modelos (ver
Honing, 2006a). Como es el caso de los modelos relacionados con el análisis de música, el
desarrollo de modelos de música cognitivamente relevantes que comprenden la complejidad
de diferentes aspectos de la música, sigue siendo un desafío.
Para la etnomusicología, los modelos computacionales para familias de melodías se han
desarrollado con éxito. Ahora ha llegado el momento de usarlos para investigar el proceso de
transmisión oral: ¿qué tipo de transformaciones entre canciones ocurren con mayor
frecuencia? ¿A qué procesos cognitivos se pueden vincular estas transformaciones?
En el contexto de la musicología histórica, un problema computacional importante es
desarrollar representaciones adecuadas de las fuentes musicales. Al ser fuentes históricas, a
menudo son dependientes del contexto, incompletas, poco claras, ambiguas o erróneas. Sería
importante codificar tales problemas, así como sus posibles soluciones (por ejemplo,
http://music- encoding.org).
Importantes cantidades de obras musicales ya se han codificado en varios formatos, tal vez lo
suficiente como para abordar la contextualización. Desde un punto de vista musical-estructural,
la contextualización es una cuestión de patrones compartidos de alto nivel entre piezas. Tales
patrones incluyen secuencias de acordes, motivos melódicos, estructura rítmica, temporización,
ornamentación y elección de instrumentos, y son a menudo los ingredientes de los estilos
musicales.
Los patrones compartidos de alto nivel también desempeñan un papel importante en la
generación de significado musical. El desafío definitivo, y el que enlaza de nuevo con el objetivo
de la musicología histórica para "entender" la música, sería, por lo tanto, el modelado del
significado musical (Wiering, 2009b).

Conclusiones
Si bien se han logrado importantes hitos en la musicología computacional, el potencial
completo de esta empresa interdisciplinaria aún no se ha explorado. La musicología
computacional aún no es la disciplina generalizada prevista por Morehen y Bent (1979). La
mayoría de las investigaciones científicas sobre música, entre ellas los enfoques
computacionales, se realizan actualmente fuera de los departamentos de musicología
(Parncutt, 2007). Cook (2005) sostiene que ahora el balón "está firmemente del lado de los
musicólogos". Para desplegar el potencial de la musicología computacional, es necesario
intensificar las colaboraciones interdisciplinarias entre la musicología y la informática, que
requieren iniciativas de la musicología para plantear cuestiones de sus disciplinas que deben
modelarse computacionalmente. Además, los musicólogos necesitan sustancialmente
contribuir con su conocimiento para desarrollar los modelos computacionales, ya que las
teorías musicológicas existentes a menudo no están lo suficientemente formalizadas. A su vez,
esto puede fortalecer el papel de la musicología computacional como un socio indispensable
para la recuperación de información musical.