Un nuevo estudio muestra que los fanáticos del hard rock y el hip-hop obtienen recomendaciones de canciones menos relevantes de los algoritmos de Spotify.
Las aplicaciones más utilizadas para escuchar música, como Spotify, Last.fm o Youtube, cuentan con algoritmos capaces de predecir y mostrarte nueva música que te pueda gustar. En pocas palabras, es un sistema de recomendación a través de filtrado colaborativo: las aplicaciones registran los artistas y géneros que escucha un usuario y comparan estos resultados con oyentes de ideas afines para descubrir qué les gusta a los demás.
Los fanáticos del hard rock y el hip-hop reciben recomendaciones de canciones menos relevantes
Pero estos algoritmos no son perfectos con algo tan subjetivo y humano como la creación artÃstica y los gustos musicales. Por este motivo, un equipo de investigadores de la Universidad Tecnológica de Graz, el centro de investigación Know-Center GmbH, la Universidad Johannes Kepler de Linz, la Universidad de Innsbruck (todas de Austria) y la Universidad de Utrecht (PaÃses Bajos) quisieron Pruebe qué tan precisas son las recomendaciones generadas por estos algoritmos, especialmente para los oyentes de música que no es muy popular o no tan conocida por el público en general.
El principal resultado, publicado en el último número de la revista EPJ Data Science, es que estos algoritmos fallan significativamente más con los oyentes de hard rock y hip-hop que con otros géneros musicales.
Una prueba realizada a usuarios de Last.fm reveló la situación
Para probar esto, el equipo tomó el historial de escucha de 4148 usuarios de la plataforma Last.fm, tanto oyentes que tienden a escuchar música comercialmente más popular como aquellos que prefieren artistas algo menos conocidos (2074 usuarios en cada grupo).
Basándose en los artistas más escuchados por cada usuario, la investigación empleó un modelo computacional para predecir si les gustarÃa una nueva canción o artista utilizando cuatro algoritmos de recomendación diferentes. De esta forma, confirmaron que los oyentes de música popular tienden a recibir recomendaciones más precisas y certeras que el grupo de oyentes menos comerciales.
Luego, los autores clasificaron a los oyentes de música no comercial en cuatro grupos, según las caracterÃsticas de la música que escuchan con más frecuencia. Estos grupos eran: oyentes de géneros musicales que contienen únicamente instrumentos acústicos, como folk o cantautores; música muy enérgica como el punk o el hip-hop; música muy acústica pero sin voz, como la música ambiental; y música muy enérgica pero sin voz, como la electrónica. De este modo, la investigación pudo comparar las historias de cada grupo e identificar, con el modelo computacional, qué usuarios tenÃan más probabilidades de escuchar música fuera de sus preferencias y la diversidad de géneros musicales dentro de cada grupo.
Los oyentes de música acústica obtienen mejores recomendaciones
A través de esta categorización, el estudio encontró que los oyentes de música acústica sin voz también tendÃan a preferir canciones de los otros tres grupos (energética, enérgica sin voz y acústica) y recibieron recomendaciones más precisas del modelo computacional. Al mismo tiempo, el grupo de oyentes de música enérgicos recibió las peores recomendaciones de los algoritmos, a pesar de que su grupo presentaba la mayor variedad de géneros musicales: hard rock, punk, hardcore, hip-hop y pop-rock.
Elisabeth Lex, coautora del artÃculo y profesora asociada de informática aplicada en la Universidad Tecnológica de Graz, subraya que los algoritmos de recomendación de música ya son “esenciales” para los usuarios que quieren buscar, seleccionar y filtrar colecciones de aplicaciones de música.
A pesar de esto, señala que los algoritmos pueden fallar a la hora de hacer recomendaciones a los oyentes de música no comercial. “Esto puede deberse a que estos sistemas están sesgados hacia la música más popular, lo que da como resultado que los artistas fuera de la corriente principal sean menos escuchados”, señala.
Finalmente, los autores sugieren que sus hallazgos podrÃan servir como base para crear sistemas de recomendación musical que brinden recomendaciones más precisas. Advierten, sin embargo, que su análisis se basa en una muestra de usuarios de Last.fm, que puede no ser representativa de esta u otras plataformas de música.
