La ciencia explica por qué una canción es exitosa

Es posible que ya hayas dicho que "todas estas canciones tienen el mismo aspecto". Solo una nueva canción es exitosa y llega a la cima de las listas que aparece automáticamente diciendo que se parece a la que, irónicamente, también fue un éxito. Para averiguar si una canción es realmente "la misma" que otra, dos estudiantes investigadores de la Universidad de San Francisco, California, decidieron usar los datos de Spotify para esta misión.

Los científicos utilizaron la interfaz de programación de aplicaciones públicas de Spotify para crear cuatro modelos de aprendizaje automático que pueden predecir si una canción puede convertirse en un éxito o no. "Nuestro objetivo era ver si las canciones exitosas tenían características similares y, de ser así, si esas características podrían usarse para predecir qué canciones serían exitosas en el futuro", explicó Kai Middlebrook, uno de los investigadores.

Él y su colega Kian Sheik se centraron en algunos aspectos de las canciones, como el ritmo, la valencia, la acústica energética, el sonido y la danza, y el resultado fueron cuatro modelos.

Foto: Pixabay

Regresión logística: en este modelo, una canción tiene la etiqueta 1, que indica que la canción será un éxito, y 0, que indica que la canción fracasará. Cada característica de la canción tiene un peso que ayuda a predecir su éxito. Estas características se consideran rápidas y fáciles de interpretar y pueden facilitar la comprensión de las variables dependientes (características musicales) de los dependientes (acertar o fallar).

Arquitectura forestal aleatoria: en este modelo, los científicos usan árboles de decisión para desglosar los datos con preguntas objetivas de sí y no. Sin embargo, es posible memorizar los datos de entrenamiento con un ajuste muy cercano, lo que significa que el modelo puede no detectar una relación real entre las características y la popularidad de la canción, porque los datos generalmente incluyen información irrelevante Por lo tanto, Middlebrook y Sheik construyeron este modelo para combinar cientos de miles de árboles de decisión analizando diferentes subconjuntos, haciendo una predicción promediando cada árbol y combinando los resultados. Estos modelos son más flexibles que los modelos lineales, lo que según Middlebrook es una ventaja importante.

Máquina de vectores de soporte: este modelo busca el "hiperplano" que separa mejor los datos en dos categorías.

Red neuronal: en este modelo, se utiliza una capa oculta con 10 filtros para aprender de los datos de música.

Los científicos planean expandir la investigación

Los dos científicos probaron los resultados obtenidos con datos históricos de Billboard utilizando una red informática de la Universidad de San Francisco para analizar los números. Todo el proceso tomó semanas.

Foto: Pixabay

Descubrieron que la "máquina de vectores de soporte" tenía la tasa de precisión de golpe más alta, alcanzando un impresionante 99.53%. La tasa más baja fue con el modelo de "bosque aleatorio", con 88%. Para Middlebrook, si las discográficas usaran este método de análisis para lanzar una canción, tendrían una decisión comercial más sólida.

Después de concluir que es posible predecir si una canción tendrá éxito en función del análisis de su audio, la pareja intenta analizar otros factores que pueden contribuir al éxito de una canción, como la experiencia del artista, la presencia en las redes sociales y la influencia de la etiqueta.