Musik-Hits können von KI vorausgesagt werden

Forscher der Claremont Graduate University haben neurophysiologische Reaktionen auf eine Reihe von Liedern gemessen, die von einem Musik-Streaming-Dienst bereitgestellt wurden, um Hits und Flops zu identifizieren. Die Vorhersagegenauigkeit der einzelnen Verfahren wurde untersucht, indem verschiedene statistische Ansätze verglichen wurden.

Link zur Studie: Accurately predicting hit songs using neurophysiology and machine learning

In der ersten Analyse wurde ein lineares statistisches Modell mit zwei neuronalen Messwerten verwendet, was zu einer Genauigkeit von 69 % bei der Identifizierung von Hits führte. Aufgrund dieser Ergebnisse erstellten die Forscher einen synthetischen Datensatz und wandten maschinelle Lerntechniken an, um die inhärenten Nichtlinearitäten in neuronalen Daten zu erfassen. Dieser Ansatz verbesserte die Klassifizierungsgenauigkeit erheblich, so dass das Modell Hits mit einer Genauigkeit von 97 % klassifizieren konnte. Darüber hinaus entdeckten die Forscher, dass durch die Anwendung des maschinellen Lernens auf die neuronalen Reaktionen, die innerhalb der ersten Minute eines Liedes beobachtet wurden, Hits in 82 % der Fälle richtig klassifiziert werden konnten, was zeigt, dass das Gehirn Hits schnell erkennt. Diese Ergebnisse verdeutlichen das Potenzial der Nutzung von maschinellem Lernen und neurophysiologischen Daten, um die Genauigkeit der Vorhersage von Marktergebnissen zu verbessern, die traditionell schwer vorherzusagen sind.

Auswirkungen auf die Musikindustrie

Die Veröffentlichung der Studie wirft ein Licht auf die überwältigende Anzahl von Songs, die täglich weltweit veröffentlicht werden, was es für Streaming-Dienste und Radiosender schwierig macht, Playlists zu erstellen. Während diese Plattformen sowohl menschliche Hörer als auch Modelle künstlicher Intelligenz einsetzen, um potenzielle Hits zu identifizieren, ist die Genauigkeit der Vorhersagen im Allgemeinen gering, was zu finanziellen Herausforderungen für Künstler und einer Fehlplatzierung von Ressourcen durch Musiklabels führt. Ausserdem führt die Unfähigkeit, die gewünschte Musik zu kuratieren, dazu, dass das Publikum auf der Suche nach Musik, die ihm gefällt, die Plattform wechselt. Daher hat die Suche nach einer effektiven Methode zur Vorhersage von Hits erhebliche Auswirkungen auf die Musikindustrie.

Musik-Streaming-Dienste wie Spotify und Pandora (nur in den USA, Anm.




d. Red.) haben Technologien entwickelt, um neue Musik zu erkennen und vorzustellen, die auf die bestehenden Wiedergabelisten der Abonnenten zugeschnitten ist. Diese Dienste nutzen die Daten und Vorlieben der Nutzer, um personalisierte Empfehlungen zu erstellen und die Wahrscheinlichkeit zu erhöhen, dass Lieder in verwandten Wiedergabelisten erscheinen, was zu Hits führen kann. Trotz dieser Bemühungen erreicht jedoch nur ein kleiner Prozentsatz der neuen Titel den Status eines Hits.

Durchbruch für Musik-Streaming-Dienste, Künstler und Musiklabels

Auf eine wichtige Einschränkung bei der Vorhersage von Musikhits anhand von Selbstauskünften über die Vorlieben hebt die Studie hervor: Likert-Skalen, die üblicherweise zur Messung von Vorlieben verwendet werden, spiegeln die tatsächlichen emotionalen Reaktionen von Personen auf Musik möglicherweise nicht genau wider. Die Sympathie ist oft an die Vertrautheit geknüpft, was zu niedrigeren Bewertungen für unbekannte Songs führt. Darüber hinaus treten emotionale Reaktionen auf Musik oft ausserhalb des bewussten Bewusstseins auf und sind schwer genau zu erfassen. Um dieser Einschränkung zu begegnen, zielt die Studie darauf ab, neurophysiologische Reaktionen auf Musik direkt zu messen, da Musik nachweislich den emotionalen Zustand von Menschen beeinflusst und robuste neuronale Aktivitäten auslöst.

Zusammenfassend lässt sich sagen, dass die genaue Vorhersage von Hits seit langem eine Herausforderung für die Musikindustrie darstellt. Diese Studie bietet jedoch einen neuen Ansatz, indem sie neurophysiologische Daten nutzt und Techniken des maschinellen Lernens anwendet, um die Genauigkeit der Klassifizierung von Hits deutlich zu verbessern. Die Ergebnisse zeigen, dass neuronale Reaktionen schnell Hits identifizieren können, was das Potenzial dieser Methode für die Vorhersage von schwierigen Marktergebnissen unterstreicht. Durch die Überwindung der Einschränkungen von Selbstauskünften und die Einbeziehung nichtlinearer Effekte durch maschinelles Lernen liefert die Studie wertvolle Erkenntnisse für Musik-Streaming-Dienste, Künstler und Musiklabels, die zu einer effektiveren Kuratierung und Ressourcenzuweisung in der Branche führen könnten.