La scienza spiega perché una canzone ha successo

Potresti aver già detto che "tutte queste canzoni sembrano uguali". Solo una nuova canzone ha successo e arriva in cima alle classifiche che si presentano automaticamente dicendo che assomiglia a quella che, ironia della sorte, è stata anche un successo. Per scoprire se una canzone è davvero "la stessa" di un'altra, due studenti ricercatori dell'Università di San Francisco, in California, hanno deciso di utilizzare i dati di Spotify per questa missione.

Gli scienziati hanno utilizzato l'interfaccia di programmazione delle applicazioni pubbliche di Spotify per creare quattro modelli di apprendimento automatico in grado di prevedere se un brano potrebbe diventare un successo. "Il nostro obiettivo era vedere se le canzoni di successo avevano caratteristiche simili e, in tal caso, se quelle caratteristiche potessero essere utilizzate per prevedere quali canzoni avrebbero avuto successo in futuro", ha spiegato Kai Middlebrook, uno dei ricercatori.

Lui e il collega Kian Sheik si sono concentrati su alcuni aspetti delle canzoni, come ritmo, valenza, acustica energetica, suono e danza, e il risultato sono stati quattro modelli.

Foto: Pixabay

Regressione logistica: in questo modello, una canzone è etichettata 1, il che indica che la canzone sarà un successo e 0, che indica che la canzone verrà flop. Ogni caratteristica della canzone ha un peso che aiuta a prevederne il successo. Queste funzionalità sono considerate facili e veloci da interpretare e possono semplificare la comprensione delle variabili dipendenti (funzioni musicali) delle persone a carico (hit o miss).

Architettura casuale della foresta: in questo modello, gli scienziati usano alberi delle decisioni per scomporre i dati con obiettivi sì e no domande. Tuttavia, è possibile memorizzare i dati di allenamento con una sintonizzazione molto ravvicinata, il che significa che il modello potrebbe non rilevare una relazione reale tra le caratteristiche e la popolarità della canzone, poiché i dati solitamente includono informazioni irrilevante. Pertanto, Middlebrook e Sheik hanno costruito questo modello per combinare centinaia di migliaia di alberi decisionali analizzando diversi sottoinsiemi, facendo una previsione calcolando la media di ciascun albero e combinando i risultati. Questi modelli sono più flessibili dei modelli lineari, che secondo Middlebrook rappresenta un vantaggio importante.

Support Vector Machine: questo modello cerca l '"iperpiano" che meglio separa i dati in due categorie.

Rete neurale: in questo modello, viene utilizzato un livello nascosto con 10 filtri per apprendere dai dati musicali.

Gli scienziati hanno in programma di espandere la ricerca

I due scienziati hanno testato i risultati ottenuti con i dati storici di Billboard utilizzando una rete di computer dell'Università di San Francisco per analizzare i numeri. L'intero processo è durato settimane.

Foto: Pixabay

Hanno scoperto che la "macchina vettoriale di supporto" aveva il più alto tasso di precisione dei colpi, raggiungendo un impressionante 99, 53%. Il tasso più basso è stato con il modello "foresta casuale", con l'88%. Per Middlebrook, se le etichette discografiche utilizzassero questo metodo di analisi per pubblicare una canzone, avrebbero una decisione commerciale più forte.

Dopo aver concluso che è possibile prevedere se una canzone avrà successo sulla base dell'analisi del proprio audio, la coppia intende analizzare altri fattori che possono contribuire al successo di una canzone, come l'esperienza dell'artista, la presenza sui social media e l'influenza dell'etichetta.