Een nieuwe studie toont aan dat hardrock- en hiphopfans minder relevante liedaanbevelingen krijgen van Spotify-algoritmen.
De meest gebruikte applicaties om naar muziek te luisteren, zoals Spotify, Last.fm of Youtube, hebben algoritmen die in staat zijn om nieuwe muziek te voorspellen en te laten zien die je misschien leuk vindt. Simpel gezegd, het is een aanbevelingssysteem door middel van gezamenlijke filtering: de apps nemen de artiesten en genres op waarnaar een gebruiker luistert en matchen deze resultaten met gelijkgestemde luisteraars om erachter te komen wat anderen leuk vinden.
Fans van hardrock en hiphop krijgen minder relevante liedaanbevelingen
Maar deze algoritmen zijn niet perfect met zoiets subjectiefs en menselijk als artistieke creatie en muzikale smaak. Om deze reden wilde een team van onderzoekers van de Technische Universiteit Graz, het onderzoekscentrum Know-Center GmbH, de Johannes Kepler Universiteit Linz, de Universiteit van Innsbruck (allemaal uit Oostenrijk) en de Universiteit Utrecht (Nederland) test hoe nauwkeurig de aanbevelingen die door deze algoritmen worden gegenereerd, zijn, vooral voor luisteraars van muziek die niet erg populair is of niet zo goed bekend bij het grote publiek.
Het belangrijkste resultaat, gepubliceerd in het laatste nummer van het tijdschrift EPJ Data Science, is dat deze algoritmen significant meer falen bij hardrock- en hiphopluisteraars dan bij andere muziekgenres.
Een test op Last.fm-gebruikers bracht de situatie aan het licht
Om dit te testen, nam het team de luistergeschiedenis van 4148 gebruikers van het Last.fm-platform, zowel luisteraars die naar meer commercieel populaire muziek luisteren als degenen die de voorkeur geven aan wat minder bekende artiesten (2074 gebruikers in elke groep).
Op basis van de artiesten waar elke gebruiker het meest naar luisterde, gebruikte het onderzoek een computermodel om te voorspellen of ze een nieuw nummer of een nieuwe artiest zouden willen met behulp van vier verschillende aanbevelingsalgoritmen. Op deze manier bevestigden ze dat luisteraars van populaire muziek de neiging hebben om nauwkeurigere en nauwkeurigere aanbevelingen te ontvangen dan de minder commerciële groep luisteraars.
De auteurs hebben luisteraars van niet-commerciële muziek vervolgens in vier groepen onderverdeeld, op basis van de kenmerken van de muziek waarnaar ze het vaakst luisteren. Deze groepen waren: luisteraars van muziekgenres die alleen akoestische instrumenten bevatten, zoals folk of singer-songwriters; zeer energieke muziek zoals punk of hiphop; zeer akoestische maar stemloze muziek zoals ambient muziek; en zeer energieke maar stemloze muziek zoals electronica. Het onderzoek was dus in staat om de geschiedenis van elke groep te vergelijken en, met het computationele model, te identificeren welke gebruikers eerder naar muziek luisterden buiten hun voorkeuren en de diversiteit aan muziekgenres binnen elke groep.
Luisteraars van akoestische muziek krijgen betere aanbevelingen
Door deze categorisering ontdekte de studie dat luisteraars van akoestische muziek zonder zang ook de voorkeur gaven aan liedjes uit de andere drie groepen (energiek, energiek zonder zang en akoestisch) en kregen nauwkeurigere aanbevelingen van het computermodel. Tegelijkertijd ontving de groep energieke muziekluisteraars de slechtste aanbevelingen van de algoritmen, ondanks het feit dat hun groep de grootste verscheidenheid aan muziekgenres bevatte: hardrock, punk, hardcore, hiphop en poprock.
Elisabeth Lex, de co-auteur van de paper en universitair hoofddocent toegepaste informatica aan de Technische Universiteit Graz, benadrukt dat algoritmen voor muziekaanbevelingen al “essentieel” zijn voor gebruikers die collecties van muziekapps willen zoeken, selecteren en filteren.
Desondanks wijst hij erop dat algoritmen soms geen aanbevelingen doen voor luisteraars van niet-commerciële muziek. “Dit kan zijn omdat deze systemen een voorkeur hebben voor meer populaire muziek, waardoor er minder naar artiesten buiten de mainstream wordt geluisterd”, merkt hij op.
Ten slotte suggereren de auteurs dat hun bevindingen kunnen dienen als basis voor het creëren van muziekaanbevelingssystemen die nauwkeurigere aanbevelingen geven. Ze waarschuwen echter dat hun analyse is gebaseerd op een steekproef van Last.fm-gebruikers, wat mogelijk niet representatief is voor dit of andere muziekplatforms.