La science explique pourquoi une chanson a du succès

Vous avez peut-être déjà dit que "toutes ces chansons se ressemblent". Juste une nouvelle chanson a du succès et vient en haut du classement qui se présente automatiquement en disant que celle-ci ressemble à celle qui, ironiquement, a également été un succès. Pour déterminer si une chanson est vraiment «identique» à une autre, deux étudiants chercheurs de l'Université de San Francisco, en Californie, ont décidé d'utiliser les données Spotify pour cette mission.

Les scientifiques ont utilisé l'interface de programmation d'applications publiques de Spotify pour créer quatre modèles d'apprentissage automatique capables de prédire si une chanson risque de devenir un hit. "Notre objectif était de voir si les chansons à succès avaient des caractéristiques similaires et, dans l'affirmative, si elles pouvaient être utilisées pour prédire quelles chansons réussiraient dans le futur", a expliqué Kai Middlebrook, l'un des chercheurs.

Lui et son collègue Kian Sheik se sont concentrés sur certains aspects des chansons, tels que le rythme, la valence, l’acoustique énergétique, le son et la danse, pour aboutir à quatre modèles.

Photo: Pixabay

Régression logistique: dans ce modèle, une chanson est étiquetée 1, ce qui indique que la chanson sera un hit, et 0, qui indique que la chanson s'effondrera. Chaque caractéristique de la chanson a un poids qui permet de prédire son succès. Ces caractéristiques sont considérées comme rapides et faciles à interpréter et peuvent faciliter la compréhension des variables dépendantes (caractéristiques musicales) des personnes à charge (hit ou miss).

Architecture de forêt aléatoire: dans ce modèle, les scientifiques utilisent des arbres de décision pour décomposer les données avec des questions objectives de type oui et non. Cependant, il est possible de mémoriser les données d'apprentissage avec un réglage très rapproché, ce qui signifie que le modèle peut ne pas détecter une relation réelle entre les caractéristiques et la popularité de la chanson, car les données incluent généralement des informations. non pertinent. Par conséquent, Middlebrook et Sheik ont ​​construit ce modèle pour combiner des centaines de milliers d'arbres de décision en analysant différents sous-ensembles, en faisant une prédiction en faisant la moyenne de chaque arbre et en combinant les résultats. Ces modèles sont plus flexibles que les modèles linéaires, ce qui, selon Middlebrook, constitue un avantage important.

Support Vector Machine: Ce modèle recherche «l'hyperplan» qui sépare le mieux les données en deux catégories.

Réseau de neurones: Dans ce modèle, une couche cachée avec 10 filtres est utilisée pour apprendre à partir des données musicales.

Les scientifiques envisagent d'étendre leurs recherches

Les deux scientifiques ont testé les résultats obtenus avec les données historiques de Billboard en utilisant un réseau informatique de l'Université de San Francisco pour analyser les chiffres. L'ensemble du processus a pris des semaines.

Photo: Pixabay

Ils ont constaté que la «machine à vecteurs de support» affichait le taux de précision des résultats le plus élevé, atteignant 99, 53%. Le taux le plus bas concernait le modèle de «forêt aléatoire», avec 88%. Pour Middlebrook, si les maisons de disques utilisaient cette méthode d’analyse pour publier une chanson, elles auraient une décision plus ferme à prendre.

Après avoir conclu qu'il est possible de prédire si une chanson sera couronnée de succès sur la base de l'analyse de l'audio, le couple souhaite analyser d'autres facteurs susceptibles de contribuer au succès d'une chanson, tels que l'expérience de l'artiste, la présence sur les médias sociaux et l'influence des étiquettes.