Um novo estudo mostra que fãs de hard rock e hip-hop recebem recomendações de músicas menos relevantes dos algoritmos do Spotify.
Os aplicativos mais usados para ouvir música, como Spotify, Last.fm ou Youtube, possuem algoritmos capazes de prever e mostrar novas músicas que você possa gostar. Simplificando, é um sistema de recomendação por meio de filtragem colaborativa: os aplicativos gravam os artistas e gêneros que um usuário ouve e combinam esses resultados com ouvintes da mesma opinião para descobrir o que outros gostam.
Fãs de hard rock e hip-hop recebem recomendações de músicas menos relevantes
Mas esses algoritmos não são perfeitos com algo tão subjetivo e humano como a criação artística e gostos musicais. Por esta razão, uma equipe de pesquisadores da Universidade de Tecnologia de Graz, do centro de pesquisa Know-Centre GmbH, da Universidade Johannes Kepler de Linz, da Universidade de Innsbruck (todas da Áustria) e da Universidade de Utrecht (Holanda) quiseram testar o quão precisas são as recomendações geradas por esses algoritmos, especialmente para ouvintes de música que não seja muito popular ou não seja tão conhecida pelo público em geral.
O principal resultado, publicado na última edição da revista EPJ Data Science, é que esses algoritmos falham significativamente mais com ouvintes de hard rock e hip-hop do que com outros gêneros musicais.
Um teste em usuários do Last.fm revelou a situação
Para testar isso, a equipe pegou o histórico de escuta de 4.148 usuários da plataforma Last.fm, tanto ouvintes que tendem a ouvir música mais popular comercialmente quanto aqueles que preferem artistas um pouco menos conhecidos (2.074 usuários em cada grupo).
Com base nos artistas mais ouvidos por cada usuário, a pesquisa empregou um modelo computacional para prever se eles gostariam de uma nova música ou artista usando quatro algoritmos de recomendação diferentes. Dessa forma, eles confirmaram que os ouvintes de música popular tendem a receber recomendações mais precisas e precisas do que o grupo de ouvintes menos comercial.
Os autores então categorizaram os ouvintes de música não comercial em quatro grupos, de acordo com as características da música que ouvem com mais frequência. Esses grupos foram: ouvintes de gêneros musicais contendo apenas instrumentos acústicos, como folk ou cantores-compositores; música altamente energética como punk ou hip-hop; música altamente acústica, mas sem voz, como música ambiente; e música altamente energética, mas sem voz, como a eletrônica. A pesquisa pôde, assim, comparar as histórias de cada grupo e identificar, com o modelo computacional, quais usuários tinham maior probabilidade de ouvir música fora de suas preferências e a diversidade de gêneros musicais dentro de cada grupo.
Ouvintes de música acústica recebem recomendações melhores
Por meio dessa categorização, o estudo constatou que ouvintes de música acústica sem vocais também tenderam a preferir músicas dos outros três grupos (energético, energético sem vocais e acústico) e receberam recomendações mais precisas do modelo computacional. Ao mesmo tempo, o grupo de ouvintes energéticos recebeu as piores recomendações dos algoritmos, apesar do fato de seu grupo apresentar a maior variedade de gêneros musicais – hard rock, punk, hardcore, hip-hop e pop-rock.
Elisabeth Lex, coautora do artigo e professora associada de ciência da computação aplicada na Universidade de Tecnologia de Graz, enfatiza que algoritmos de recomendação de música já são “essenciais” para usuários que desejam pesquisar, selecionar e filtrar coleções de aplicativos de música.
Apesar disso, ele aponta que os algoritmos podem falhar em fazer recomendações para ouvintes de música não comercial. “Isso pode ser porque esses sistemas são tendenciosos para música mais popular, resultando em artistas fora do mainstream sendo menos ouvidos”, observa ele.
Finalmente, os autores sugerem que suas descobertas podem servir como base para a criação de sistemas de recomendação de música que forneçam recomendações mais precisas. Eles alertam, no entanto, que sua análise é baseada em uma amostra de usuários do Last.fm, que pode não ser representativa para esta ou outras plataformas de música.