Chaque jour, des dizaines de milliers de chansons sortent. Ce flux constant d'options rend difficile pour les services de streaming et les stations de radio de choisir les chansons à ajouter aux listes de lecture. Pour trouver ceux qui résonneront auprès d'un large public, ces services ont fait appel à des auditeurs humains et à l'intelligence artificielle. Cette approche, cependant, qui persiste à un taux de précision de 50 %, ne prédit pas de manière fiable si les chansons deviendront des succès.

Maintenant, des chercheurs aux États-Unis ont utilisé une technique d'apprentissage automatique complète appliquée aux réponses cérébrales et ont pu prédire les chansons à succès avec une précision de 97 %.

"En appliquant l'apprentissage automatique aux données neurophysiologiques, nous pourrions presque parfaitement identifier les chansons à succès", a déclaré Paul Zak, professeur à la Claremont Graduate University et auteur principal de l'étude publiée dans Frontières de l'intelligence artificielle. "Que l'activité neuronale de 33 personnes puisse prédire si des millions d'autres ont écouté de nouvelles chansons est assez incroyable. Rien de proche de cette précision n'a jamais été démontré auparavant."

Apprentissage automatique avec des données neurologiques

Les participants à l'étude ont été équipés de capteurs prêts à l'emploi, ont écouté un ensemble de 24 chansons et ont été interrogés sur leurs préférences et certaines données démographiques. Au cours de l'expérience, les scientifiques ont mesuré les réponses neurophysiologiques des participants aux chansons. "Les signaux cérébraux que nous avons collectés reflètent l'activité d'un réseau cérébral associé à l'humeur et aux niveaux d'énergie", a déclaré Zak. Cela a permis aux chercheurs de prédire les résultats du marché, y compris le nombre de flux d'une chanson, sur la base des données de quelques-uns.

Cette approche est appelée "neuroforecasting". Il capture l'activité neuronale d'un petit groupe de personnes pour prédire les effets au niveau de la population sans avoir à mesurer l'activité cérébrale de centaines de personnes.

Après la collecte des données, les chercheurs ont utilisé différentes approches statistiques pour évaluer la précision prédictive des variables neurophysiologiques. Cela a permis une comparaison directe des modèles. Pour améliorer la précision prédictive, ils ont formé un modèle ML qui a testé différents algorithmes pour arriver aux résultats de prédiction les plus élevés.

Ils ont découvert qu'un modèle statistique linéaire identifiait les chansons à succès avec un taux de réussite de 69 %. Lorsqu'ils ont appliqué l'apprentissage automatique aux données qu'ils ont collectées, le taux de chansons à succès correctement identifiées est passé à 97 %. Ils ont également appliqué l'apprentissage automatique aux réponses neuronales à la première minute des chansons. Dans ce cas, les hits ont été correctement identifiés avec un taux de réussite de 82 %.

"Cela signifie que les services de streaming peuvent facilement identifier plus efficacement les nouvelles chansons susceptibles d'être des succès pour les listes de lecture des gens, ce qui facilite le travail des services de streaming et ravit les auditeurs", a expliqué Zak.

Méthodes de réplication

"Si à l'avenir, les technologies portables des neurosciences, comme celles que nous avons utilisées pour cette étude, devenaient monnaie courante, le bon divertissement pourrait être envoyé au public en fonction de sa neurophysiologie. Au lieu de se voir proposer des centaines de choix, on pourrait lui en donner seulement deux ou trois. , ce qui leur permet de choisir plus facilement et plus rapidement la musique qu'ils apprécieront », a déclaré Zak.

Malgré les résultats de prédiction presque parfaits de son équipe, les chercheurs ont souligné certaines limites. Par exemple, ils ont utilisé relativement peu de chansons dans leur analyse. De plus, la démographie des participants à l'étude était modérément diversifiée, mais n'incluait pas les membres de certains groupes ethniques et d'âge.

Néanmoins, les chercheurs s'attendent à ce que leur approche puisse probablement être utilisée au-delà de l'identification des chansons à succès, en partie en raison de sa mise en œuvre facile. "Notre principale contribution est la méthodologie. Il est probable que cette approche puisse également être utilisée pour prédire les succès de nombreux autres types de divertissement, y compris les films et les émissions de télévision", a conclu Zak.