Eine neue Studie zeigt, dass Hardrock- und Hip-Hop-Fans weniger relevante Songempfehlungen von Spotify-Algorithmen erhalten.
Die am häufigsten verwendeten Anwendungen zum Hören von Musik wie Spotify, Last.fm oder Youtube verfügen über Algorithmen, mit denen Sie neue Musik vorhersagen und anzeigen können, die Ihnen gefallen könnte. Einfach ausgedrückt handelt es sich um ein Empfehlungssystem durch kollaboratives Filtern: Die Apps zeichnen die Künstler und Genres auf, die ein Benutzer hört, und vergleichen diese Ergebnisse mit gleichgesinnten Zuhörern, um herauszufinden, was andere mögen.
Hardrock- und Hip-Hop-Fans erhalten weniger relevante Songempfehlungen
Aber diese Algorithmen sind nicht perfekt für etwas so Subjektives und Menschliches wie künstlerisches Schaffen und Musikgeschmack. Aus diesem Grund wollten ein Forscherteam der Technischen Universität Graz, des Forschungszentrums Know-Center GmbH, der Johannes-Kepler-Universität Linz, der Universität Innsbruck (alle aus Österreich) und der Universität Utrecht (Niederlande) Testen Sie, wie genau die von diesen Algorithmen generierten Empfehlungen sind, insbesondere für Hörer von Musik, die nicht sehr beliebt oder der Öffentlichkeit nicht so bekannt ist.
Das Hauptergebnis, das in der neuesten Ausgabe der Zeitschrift EPJ Data Science veröffentlicht wurde, ist, dass diese Algorithmen bei Hardrock- und Hip-Hop-Hörern erheblich häufiger versagen als bei anderen Musikgenres.
Ein Test auf Last.fm-Benutzern ergab die Situation
Um dies zu testen, hat das Team die Hörhistorie von 4148 Benutzern der Last.fm-Plattform herangezogen, sowohl von Hörern, die eher kommerziell populäre Musik hören, als auch von Hörern, die etwas weniger bekannte Künstler bevorzugen (2074 Benutzer in jeder Gruppe).
Basierend auf den Künstlern, die von jedem Benutzer am meisten gehört wurden, verwendete die Forschung ein Rechenmodell, um vorherzusagen, ob sie ein neues Lied oder einen neuen Künstler möchten, wobei vier verschiedene Empfehlungsalgorithmen verwendet wurden. Auf diese Weise bestätigten sie, dass Hörer populärer Musik tendenziell genauere und präzisere Empfehlungen erhalten als die weniger kommerzielle Gruppe von Hörern.
Die Autoren kategorisierten die Hörer nichtkommerzieller Musik nach den Merkmalen der Musik, die sie am häufigsten hören, in vier Gruppen. Diese Gruppen waren: Hörer von Musikgenres, die nur akustische Instrumente enthielten, wie Folk- oder Singer-Songwriter; hochenergetische Musik wie Punk oder Hip-Hop; hochakustische, aber stimmlose Musik wie Ambient-Musik; und hochenergetische, aber stimmlose Musik wie Electronica. Die Forschung war somit in der Lage, die Geschichte jeder Gruppe zu vergleichen und mit dem Rechenmodell zu identifizieren, welche Benutzer eher Musik außerhalb ihrer Präferenzen und der Vielfalt der Musikgenres innerhalb jeder Gruppe hören.
Akustische Musikhörer erhalten bessere Empfehlungen
Durch diese Kategorisierung stellte die Studie fest, dass Hörer von akustischer Musik ohne Gesang auch Songs aus den anderen drei Gruppen bevorzugten (energetisch, energetisch ohne Gesang und akustisch) und genauere Empfehlungen aus dem Rechenmodell erhielten. Gleichzeitig erhielt die Gruppe der energiegeladenen Musikhörer die schlechtesten Empfehlungen der Algorithmen, obwohl ihre Gruppe die größte Vielfalt an Musikgenres aufwies – Hard Rock, Punk, Hardcore, Hip-Hop und Pop-Rock.
Elisabeth Lex, Mitautorin des Papers und außerordentliche Professorin für angewandte Informatik an der Technischen Universität Graz, betont, dass Musikempfehlungsalgorithmen für Benutzer, die Musik-App-Sammlungen suchen, auswählen und filtern möchten, bereits „unverzichtbar“ sind.
Trotzdem weist er darauf hin, dass Algorithmen möglicherweise keine Empfehlungen für Hörer unkommerzieller Musik abgeben. “Dies kann daran liegen, dass diese Systeme auf populärere Musik ausgerichtet sind, was dazu führt, dass Künstler außerhalb des Mainstreams weniger gehört werden”, stellt er fest.
Schließlich schlagen die Autoren vor, dass ihre Ergebnisse als Grundlage für die Erstellung von Musikempfehlungssystemen dienen könnten, die genauere Empfehlungen liefern. Sie warnen jedoch davor, dass ihre Analyse auf einer Stichprobe von Last.fm-Benutzern basiert, die für diese oder andere Musikplattformen möglicherweise nicht repräsentativ sind.
