Los sistemas de recomendación musical que funcionan en base a algoritmos, como los de las plataformas de música por streaming, podrían hacer sugerencias menos precisas para ciertos usuarios, en función de la música que escuchan.
A esa conclusión llegó una investigación recientemente publicada, que analizó una muestra de datos de escucha obtenidos desde Last.fm.
La diferencia se marcó entre las sugerencias que pueden recibir los oyentes de música de estilos como el hard rock o el hip-hop, las cuales resultaron ser menos precisas en comparación con las recomendaciones que reciben aquellas personas que son más asiduas a variantes musicales menos convencionales, que resultaron ser más acertadas.
La investigación fue desarrollada por un equipo de la Universidad Tecnológica de Graz, Know-Center GmbH, la Universidad Johannes Kepler de Linz, la Universidad de Innsbruck, Austria y la Universidad de Utrecht, Países Bajos.
Este análisis realizado sobre el trabajo de los algoritmos al momento de plantear recomendaciones, utilizó para su investigación un conjunto de datos compuesto por historiales de escucha de 4148 usuarios de la plataforma Last.fm. Esta muestra fue dividida en dos grupos iguales, de 2074 usuarios cada uno, separados por la predominancia de corrientes “convencionales” o “no convencionales” de música.
De aquel conjunto de datos fueron filtrados los artistas escuchados con mayor frecuencia por los usuarios, para someterlos a un modelo computacional de análisis, con el fin de predecir qué tan probable es que las recomendaciones terminen siendo del agrado de sus destinatarios.
La tarea de clasificar los oyentes bajo un criterio de predominancia de preferencias musicales “no convencionales” se desarrolló con la ayuda de un algoritmo. Estos grupos son: oyentes de géneros musicales que contienen solo instrumentos acústicos como canciones populares, oyentes de música de alta energía (como los antes mencionados hard rock y hip-hop), oyentes de música con instrumentos acústicos sin voz humana y la música electrónica. La contraparte de este grupo se formó en base a los géneros musicales restantes.
Posteriormente, fueron comparadas los historiales de reproducción de cada grupo para determinar a qué usuarios les gusta escuchar música fuera de sus artistas preferidos y la variedad de géneros musicales que se escuchan en cada grupo.
Los resultados del análisis revelaron que las recomendaciones algorítmicas resultaron ser más efectivas en el grupo de oyentes de música “no convencional”.
Observaciones del equipo de investigación
Elisabeth Lex, autora titular del estudio, comentó que estos resultados «indican que las preferencias musicales de quienes escuchan principalmente música como la ambiental pueden predecirse más fácilmente mediante algoritmos de recomendación de música que las preferencias de quienes escuchan música como hard rock y hip -hop”.
Más en profundidad, Lex agregó que «a medida que se han hecho disponibles cantidades cada vez mayores de música a través de los servicios de transmisión de música, los sistemas de recomendación de música se han vuelto esenciales para ayudar a los usuarios a buscar, clasificar y filtrar colecciones de música extensas. Es posible que las técnicas de recomendación de música de última generación no brinden recomendaciones de calidad para los oyentes de música no convencionales. Esto podría deberse a que los algoritmos de recomendación de música están sesgados hacia la música más popular, lo que hace que sea menos probable que los algoritmos recomienden la música no convencional».
Una precisión importante, comentada en el estudio, es que los hallazgos realizados podrían no ser representativos del todo, al basar sus resultados únicamente en los datos de sólo una fuente.
La publicación de este estudio se encuentra disponible en la revista EPJ Data Science.