Los científicos han demostrado en un nuevo estudio que la aplicación del aprendizaje automático a los datos neuronales conduce a una precisión de clasificación casi perfecta de las canciones que pueden convertirse en éxitos, según publican en la revista 'Frontiers in Artificial Intelligence'.
Cada día salen al mercado decenas de miles de canciones, lo que dificulta la tarea de los servicios de streaming y las emisoras de radio a la hora de elegir qué canciones añadir a las listas de reproducción. Para encontrar las que triunfarán entre una gran audiencia, estos servicios han recurrido a oyentes humanos y a la inteligencia artificial. Sin embargo, este enfoque, que se queda en un 50% de precisión, no predice con fiabilidad si las canciones se convertirán en éxitos.
Ahora, investigadores de Estados Unidos han utilizado una completa técnica de aprendizaje automático aplicada a las respuestas cerebrales y han sido capaces de predecir canciones de éxito con una precisión del 97%.
"Aplicando el aprendizaje automático a los datos neurofisiológicos, pudimos identificar casi a la perfección las canciones de éxito --afirma Paul Zak, profesor de la Claremont Graduate University y autor principal del estudio--. Que la actividad neuronal de 33 personas pueda predecir si millones de otras escucharon nuevas canciones es bastante asombroso. Nunca se había demostrado nada parecido a esta precisión", destaca.
La metodología
A los participantes en el estudio se les equipó con sensores comerciales, escucharon un conjunto de 24 canciones y se les preguntó por sus preferencias y algunos datos demográficos. Durante el experimento, los científicos midieron las respuestas neurofisiológicas de los participantes a las canciones.
"Las señales cerebrales que recogimos reflejan la actividad de una red cerebral asociada al estado de ánimo y los niveles de energía -- explica Zak--. Esto permitió a los investigadores predecir los resultados del mercado, incluido el número de streams de una canción, basándose en los datos de unos pocos".
Este método se denomina neuroprevisión y capta la actividad neuronal de un pequeño grupo de personas para predecir efectos a nivel poblacional sin tener que medir la actividad cerebral de cientos de personas.
Tras la recogida de datos, los investigadores utilizaron distintos enfoques estadísticos para evaluar la precisión predictiva de las variables neurofisiológicas. Esto permitió comparar directamente los modelos. Para mejorar la precisión predictiva, entrenaron un modelo ML que probó diferentes algoritmos para llegar a los mejores resultados de predicción.
Canciones exitosas, identificadas con éxito
Descubrieron que un modelo estadístico lineal identificaba las canciones acertadas con una tasa de acierto del 69%. Cuando aplicaron el aprendizaje automático a los datos recopilados, el porcentaje de canciones de éxito identificadas correctamente aumentó hasta el 97%.
También aplicaron el aprendizaje automático a las respuestas neuronales al primer minuto de las canciones. En este caso, los éxitos se identificaron correctamente con una tasa de acierto del 82%.
"Esto significa que los servicios de streaming pueden identificar fácilmente nuevas canciones que probablemente serán éxitos para las listas de reproducción de la gente de forma más eficiente, facilitando el trabajo de los servicios de streaming y deleitando a los oyentes", explica Zak.
Canciones personalizadas
"Si en el futuro se generalizan las tecnologías neurocientíficas para llevar puestas, como las que hemos utilizado en este estudio, se podría enviar al público el entretenimiento adecuado en función de su neurofisiología --prosigue--. En lugar de ofrecerles cientos de opciones, se les podrían dar sólo dos o tres, lo que les facilitaría y agilizaría la elección de la música que les gustaría escuchar".
Límites
A pesar de los resultados casi perfectos de predicción de su equipo, los investigadores señalaron algunas limitaciones. Por ejemplo, utilizaron relativamente pocas canciones en su análisis. Además, la demografía de los participantes en el estudio era moderadamente diversa, pero no incluía miembros de determinados grupos étnicos y de edad.
No obstante, esperan que su método pueda utilizarse más allá de la identificación de canciones de éxito, en parte debido a su fácil aplicación. "Nuestra principal aportación es la metodología. Es probable que este método sirva también para predecir éxitos en muchos otros tipos de entretenimiento, como películas y programas de televisión", concluye Zak.