لیست های پخش الگوریتمی تولید شده در سرویس‌های پخش موسیقی مانند اسپاتیفای بر اساس سابقه قبلی موسیقی گوش کردن‌های ما، پی به سلیقه ما می‌برند و پیشنهادات آنها اعلب خوب است.
اما یک مطالعه جدید با موفقیت بیشتری می‌تواند میزان استقبال از یک ترانه را پیشبینی کند.
هنگامی که محققان آمریکایی الگوریتم‌های یادگیری ماشینی را برای تجزیه و تحلیل پاسخ‌های فیزیکی و بدنی شنوندگان موسیقی آموزش دادند، می‌توانستند پیشبینی کنند که کدام آهنگ بیشتر مردم را با دقت ۹۷ درصد خوشحال می‌کند.
تنها کاری که الگوریتم‌ها باید انجام می‌دادند اندازه‌گیری احساسات و توجه افراد به یک آهنگ با توجه به وضعیت فیزیولوژی آنها بود.
هر چه شخص از نظر عصبی طولانی‌تر در یک آهنگ «غوطه‌ور» باشد و کمتر محتوا را پس بزند، احتمال بیشتری وجود دارد که آهنگ به یک آهنگ فراگیر و محبوب تبدیل شود.
به عبارت دیگر، گفتن آگاهانه اینکه من از این ترانه خوشم می‌آید، کافی نیست و نمی‌تواند پیشبینی کند که دیگران نیز از آن لذت خواهند برد. پس وضعیت ناخودآگاه ما ممکن است شاخص بهتری باشد.
پس به جای اینکه از کاربران بپرسند آیا آهنگ جدیدی را دوست دارند یا خیر، حسگرهای پوشیدنی، متوجه میزان تهییج و خوشایندی یک ترانه می‌شوند.
حتی اگر الگوریتم داده‌های فیزیولوژیکی را تنها از یک دقیقه گوش دادن به یک آهنگ دریافت کند، باز هم می‌تواند محبوبیت را با دقت ۸۲ درصد پیشبینی کند.
روش جدید بهتر از مطالعات مشابهی است که از اسکن مغز برای ارزیابی پاسخ‌های موسیقی استفاده می‌کردند. این‌ها فقط می‌توانستند موسیقی‌های محبوب یا هیت‌ها را به میزان ۵۰ درصد، درست تشخیص دهند.
اما اینکه این که بتوان با فعالیت عصبی ۳۳ نفر می‌تواند پیشبینی کند که آیا میلیون‌ها نفر دیگر از چه آهنگ جدیدی خوششان می‌آید، بسیار شگفت‌انگیز است.
شرکت‌کنندگان در این مطالعه ابتدا با استفاده از حسگرهای قلبی در اتاقی نشستند و به ۲۴ آهنگ اخیر که از اسپیکر پخش می‌شد گوش دادند. سیزده آهنگ توسط پلتفرم‌های استریم موفق تلقی می‌شدند، اما شرکت‌کنندگان مطلع نشدند که کدام‌ها هستند.
در پایان آزمایش، از گروه خواسته شد تا رتبه‌بندی کنند که کدام آهنگ‌ها را بیشتر دوست دارند.
سپس داده‌های جمع‌آوری‌شده از حسگرهای قلبی آنها تحلیل می‌شد تا از داده‌های ضربان قلب برای پی بردن به خوشایندی ترانه استفاده کرد.
اکسی توسین و دوپامین، دو هورمون عصبی هستند که اثرات اندکی بر قلب دارند. همچنین زمانی که احساس خوبی داشته باشید آزاد می‌شوند.
هنگامی که شما آواز می‌خوانید یا به موسیقی گوش می‌دهید، ساقه مغز شما اغلب اکسی توسین ترشح می‌کند و دوپامین آزاد می‌شود و هنگامی که توجه بیشتری به چیزی می‌کنید یا در آن غوطه‌ور می‌شوید، بر روی قشر جلوی مغز هم اثر می‌کند.
خواندن این سیگنال‌های مغزی از طریق فعالیت قلب می‌تواند راهی برای «پیشبینی عصبی» باشد که کدام آهنگ‌ها باعث ضربه زدن بیشتر افراد می‌شوند.
مطالعات قبلی سعی کرده‌اند این کار را با تمرکز بر یک منطقه مغزی که در سیستم پاداش نقش دارد انجام دهند. اما محققان موفقیت کمی داشتند.
اندازه‌گیری پاسخ‌های احساسی با استفاده از فناوری‌های علوم اعصاب، راه جدیدی را برای هنرمندان، تولیدکنندگان موسیقی و سرویس‌های استریم فراهم می‌کند تا شنوندگان را با محصولات جدید خوشحال کنند.
اما اینکه خوشایند ما چنین الگوریتمی و قابل پیشبینی شود، اصلا خوشایند ما نیست. ترانه و فیلم‌ها و کتاب‌هایی که از دقایق یا صفحات نخست، شادمان می‌کنند زیادند، اما ما خودمان احساس کرده‌ایم که ماندگاری بسیاری از آثار هنری به خاطر فرایند پرزحمت درک و هضم آنهاست.
ما ممکن است در اکثر دقایق پخش یک موسیقی به منطقه اوج یا بیت شعر موثر نرسیده باشیم یا مفهوم اصلی کتاب در فصل پایانی آن باشد یا یک فیلم با یک چرخش داستانی در یک ربع آخر خیلی خوب باشد.
اینکه شرکت‌ها بیایند و محصولاتشان را متوسط‌تر از قبل کنند و همواره خوشایند آنی و ته ارتقای سطح تفکر و هنری آنها را در نظر داشته باشند.
به علاه نکته مهم این است که واقعا شادی ظاهری همیشگی بهتر است یا گاهی غم عرفانی داشتن؟!
آیا با این شیوه الگورتیمیک انبوهی از ترانه‌ها و فیلم‌های غمگین یا حماسی، مجال تولید می‌یافتند؟!
دیدگاه