Nu zeggen onderzoekers van de Claremont Graduate University in Californië dat ze een manier hebben gevonden om kunstmatige intelligentie te gebruiken om de fysiologische signalen van luisteraars te analyseren en de volgende hit te voorspellen. Het team volgde de hartactiviteit van de deelnemers terwijl ze naar muziek luisterden. De wetenschappers gebruikten een algoritme om de gegevens om te zetten in wat volgens hen een proxy is voor neurale activiteit. Een machine-learning model getraind op de gegevens was vervolgens in staat om te bepalen of een nummer een hit of een flop was met 97 procent nauwkeurigheid. De bevindingen werden gepubliceerd in Frontiers in Artificial Intelligence.
Andere wetenschappers die het gebruik van Al bestuderen om hits te voorspellen, zijn nog niet klaar om de overwinning uit te roepen. "Het onderzoek kan baanbrekend zijn, maar alleen als het wordt herhaald en generaliseerbaar is. Er zijn veel vooroordelen die een machine-learning experiment kunnen beïnvloeden, vooral een experiment dat menselijke voorkeuren probeert te voorspellen," zegt Hoda Khalil, een datawetenschapper aan de Carleton University in Ontario.
Traditioneel vertrouwden experts uit de muziekindustrie die de volgende hit wilden voorspellen op grote databases die lyrische en akoestische aspecten van hits analyseerden, zoals tempo, originaliteit en dansbaarheid. Deze methode bleek echter slechts marginaal beter dan een willekeurige munt opgooien. Khalil en haar collega's analyseerden gegevens van meer dan 600.000 liedjes en vonden geen duidelijke correlaties tussen verschillende akoestische kenmerken en de commerciële populariteit van een liedje.
In plaats van zich te richten op de kenmerken van een nummer, probeerde het team uit Claremont te onderzoeken hoe mensen op muziek reageren. "De relatie leek eenvoudig voor de bezoeker. Liedjes zijn ontworpen om emoties op te roepen bij mensen, en die emoties komen uit de hersenen," - zegt Paul Zak, neuro-econoom aan de Claremont Graduate University en auteur van het nieuwe onderzoek.
Eerdere pogingen om hersenscans te gebruiken om hits te voorspellen hadden slechts beperkt succes. Een onderzoek uit 2011 waarbij gebruik werd gemaakt van functional magnetic resonance imaging, dat de bloedstroom in de hersenen volgt, identificeerde 90 procent van de commerciële flops, maar slechts 30 procent van de hits. Het team van Zak pakte het anders aan. In plaats van de reacties van de hersenen direct te meten, voorzagen de onderzoekers 33 deelnemers van hartsensoren die veranderingen in de bloedstroom volgen, vergelijkbaar met traditionele smartwatches en fitnesstrackers die de hartslag meten.
De deelnemers luisterden naar 24 nummers, variërend van de megahit "Dance Monkey" van Tones and I tot de commerciële flop "Dekario (Pain)" van NLE Choppa. Hun hartgegevens werden vervolgens ingevoerd via het commerciële platform Immersion Neuroscience, mede opgericht door Zak, dat volgens hem de hartactiviteit algoritmisch omzet in een gecombineerde metriek van aandacht en emotionele resonantie die bekend staat als immersie (de details van dit proces worden niet beschreven in het onderzoek). Een Al-model getraind op deze immersiesignalen voorspelde hitnummers met grote nauwkeurigheid, meldden de onderzoekers. De rangschikking van deelnemers van hoe leuk ze een nummer vonden, weerspiegelde daarentegen niet de populariteit van het nummer. Zak, die momenteel werkt als Immersion Neuroscience's chief immersion officer, zegt dat er een goede reden is voor het gebruik van hartgegevens, die gemakkelijk kunnen worden gevolgd via draagbare apparaten, als een proxy voor neurale respons. Hij legt uit dat een sterke emotionele respons de hersenen aanzet tot het aanmaken van de neurochemische stof oxytocine, waardoor de activiteit in de nervus vagus, die de hersenen, de darmen en het hart met elkaar verbindt, toeneemt.
Niet iedereen is overtuigd. "Het onderzoek is gebaseerd op de neurofysiologische maat van immersie, maar deze maat heeft verdere wetenschappelijke validatie nodig," zegt Stefan Koelsch, een neurowetenschapper aan de Universiteit van Bergen in Noorwegen en gastonderzoeker aan het Max Planck Instituut voor Menselijke Cognitieve en Hersenwetenschappen in Duitsland. Koelsch merkt ook op dat hoewel het onderzoek verschillende artikelen aanhaalde om de geldigheid van immersie als maat voor hersenactiviteit te ondersteunen, deze niet allemaal waren gepubliceerd in peer-reviewed tijdschriften.
Koelsch is ook sceptisch dat machinelearning modellen de nuances kunnen vastleggen die van een liedje een hit maken. In een onderzoek uit 2019 vonden hij en zijn collega's aanvankelijk een verband tussen de voorspelbaarheid van het akkoordenschema van een liedje en de emotionele respons van luisteraars, maar sindsdien hebben ze die bevindingen niet kunnen repliceren. "Het is erg moeilijk om betrouwbare indicatoren te vinden voor zelfs de grofste verschillen tussen aangename en onaangename muziek, laat staan voor de subtiele verschillen die ervoor zorgen dat een leuk muziekstuk een hit wordt," zegt hij. Op het moment van publicatie had Zak nog niet gereageerd op verzoeken om commentaar op de kritiek op zijn recente studie.
Als de resultaten van dit nieuwe model worden gekopieerd, zou het een enorm commercieel potentieel kunnen hebben. Voor Zak ligt het primaire nut in het efficiënt sorteren door de enorme bibliotheek van bestaande nummers. "Nu draagbare apparaten steeds goedkoper en gewoner worden, kan deze technologie passief je hersenactiviteit monitoren en op basis van die gegevens muziek, films of tv-programma's aanbevelen," zegt Zak. "Wie zou dat niet willen?"
Zak ziet een opt-in service voor zich waarbij gegevens worden geanonimiseerd en gedeeld wanneer gebruikers een toestemmingsformulier ondertekenen. Maar Khalil wijst erop dat deze opt-in benadering gebruikers nog steeds niet kan beschermen. "Veel gebruikers accepteren gewoon de voorwaarden zonder ze zelfs maar te lezen," zegt Khalil. "Dat opent de deur voor gegevens die onbedoeld kunnen worden gedeeld en misbruikt."
Iemands favoriete nummers lijken misschien onschuldige gegevens, maar ze bieden een venster op iemands stemmingen en gewoonten. En als deze gegevens worden gekoppeld aan gegevens over hersenactiviteit, kunnen consumenten gedwongen worden om na te denken over hoeveel informatie ze bereid zijn op te geven voor de perfecte afspeellijst.
Lucy Tu (SciAm 9-2023)