Un nuovo studio mostra che i fan dell’hard rock e dell’hip-hop ricevono consigli sui brani meno rilevanti dagli algoritmi di Spotify.
Le applicazioni più utilizzate per ascoltare musica, come Spotify, Last.fm o Youtube, hanno algoritmi in grado di prevedere e mostrarti nuova musica che potrebbe piacerti. In poche parole, è un sistema di raccomandazione attraverso il filtro collaborativo: le app registrano gli artisti ei generi che un utente ascolta e abbinano questi risultati con ascoltatori che la pensano allo stesso modo per scoprire cosa piace agli altri.
I fan dell’hard rock e dell’hip-hop ricevono consigli sui brani meno pertinenti
Ma questi algoritmi non sono perfetti con qualcosa di così soggettivo e umano come la creazione artistica e i gusti musicali. Per questo motivo, un team di ricercatori dell’Università di tecnologia di Graz, del centro di ricerca Know-Center GmbH, dell’Università Johannes Kepler di Linz, dell’Università di Innsbruck (tutti provenienti dall’Austria) e dell’Università di Utrecht (Paesi Bassi) hanno voluto verifica l’accuratezza delle raccomandazioni generate da questi algoritmi, soprattutto per gli ascoltatori di musica non molto popolare o poco conosciuta dal grande pubblico.
Il risultato principale, pubblicato nell’ultimo numero della rivista EPJ Data Science, è che questi algoritmi falliscono significativamente di più con gli ascoltatori hard rock e hip-hop che con altri generi musicali.
Un test sugli utenti di Last.fm ha rivelato la situazione
Per testare ciò, il team ha preso la cronologia di ascolto di 4148 utenti della piattaforma Last.fm, sia ascoltatori che tendono ad ascoltare musica più popolare in commercio sia coloro che preferiscono artisti un po ‘meno conosciuti (2074 utenti in ciascun gruppo).
Sulla base degli artisti più ascoltati da ciascun utente, la ricerca ha utilizzato un modello computazionale per prevedere se desiderano una nuova canzone o un artista utilizzando quattro diversi algoritmi di raccomandazione. In questo modo, hanno confermato che gli ascoltatori di musica popolare tendono a ricevere consigli più accurati e precisi rispetto al gruppo di ascoltatori meno commerciale.
Gli autori hanno quindi classificato gli ascoltatori di musica non commerciale in quattro gruppi, in base alle caratteristiche della musica che ascoltano più spesso. Questi gruppi erano: ascoltatori di generi musicali contenenti solo strumenti acustici, come folk o cantautori; musica altamente energica come il punk o l’hip-hop; musica altamente acustica ma senza voce come la musica ambient; e musica altamente energica ma senza voce come l’elettronica. La ricerca è stata quindi in grado di confrontare le storie di ciascun gruppo e identificare, con il modello computazionale, quali utenti erano più propensi ad ascoltare musica al di fuori delle loro preferenze e la diversità dei generi musicali all’interno di ciascun gruppo.
Gli ascoltatori di musica acustica ricevono consigli migliori
Attraverso questa categorizzazione, lo studio ha scoperto che gli ascoltatori di musica acustica senza voce tendevano anche a preferire le canzoni degli altri tre gruppi (energico, energico senza voce e acustico) e ricevevano raccomandazioni più accurate dal modello computazionale. Allo stesso tempo, il gruppo di ascoltatori di musica energica ha ricevuto i peggiori consigli dagli algoritmi, nonostante il fatto che il loro gruppo presentasse la più grande varietà di generi musicali: hard rock, punk, hardcore, hip-hop e pop-rock.
Elisabeth Lex, coautrice dell’articolo e professore associato di informatica applicata presso l’Università della tecnologia di Graz, sottolinea che gli algoritmi di raccomandazione musicale sono già “essenziali” per gli utenti che desiderano cercare, selezionare e filtrare raccolte di app musicali.
Nonostante ciò, sottolinea che gli algoritmi possono non riuscire a fornire raccomandazioni per gli ascoltatori di musica non commerciale. “Ciò può essere dovuto al fatto che questi sistemi sono orientati verso la musica più popolare, con il risultato che gli artisti al di fuori del mainstream sono meno ascoltati”, osserva.
Infine, gli autori suggeriscono che i loro risultati potrebbero servire come base per la creazione di sistemi di raccomandazione musicale che forniscano raccomandazioni più accurate. Tuttavia, avvertono che la loro analisi si basa su un campione di utenti di Last.fm, che potrebbe non essere rappresentativo per questa o altre piattaforme musicali.