Home Musica

Ecco perché l’algoritmo delle app di streaming non indovina i tuoi gusti musicali

Secondo una ricerca accademica, le formule che stanno dietro alle playlist non riescono a “capire” i gusti di alcune categorie di ascoltatori. A rimetterci sono gli artisti fuori dal mainstream

Foto: Blaz Erzetic/Markus Spiske/Unsplash

Forse ancora non ci si rende conto di quanto gli algoritmi delle app di streaming che ci suggeriscono quali tracce nuove ascoltare – come quello della Discovery Weekly di Spotify – influenzino la nostra cultura musicale. Non c’è da meravigliarsi se non sei così affascinato dai modi magici del sistema: forse appartieni a una delle categorie di ascoltatori che vengono dimenticate da queste formule. E questo è parte del problema.

In un paper pubblicato la settimana scorsa, un gruppo di ricercatori austriaci e olandesi ha paragonato l’accuratezza dei suggerimenti musicali degli algoritmi per gli ascoltatori di musica mainstream con quelli per chi preferisce generi più di nicchia. Come si poteva forse immaginare, lo studio ha scoperto che gli algoritmi funzionano molto meglio per gli amanti del pop. Ma non è tutto: l’algoritmo funziona meglio anche per chi preferisce i generi chill, gli ascoltatori di rock e hip hop sono i meno inclini ad andarci d’accordo, gli ascoltatori più giovani sono più svantaggiati dagli algoritmi di quelli anziani. E, anche se non ti importa niente se i grandi brand non hanno delle formule fatte a misura per te (meglio, dirai, sono più indipendente nelle mie scelte), il fenomeno degli algoritmi come questi sta avendo un effetto a catena sull’industria musicale nel complesso.

«Non è un fatto particolarmente sorprendente», commenta Elisabeth Lex, professoressa di Informatica Applicata all’Università di Tecnologia di Graz, fan dell’heavy metal e una delle principali ricercatrici del paper. «Ma sta diventando un problema».

Secondo Lex e il suo team di ricerca, tuttavia, non tutto è perduto.

Che tu sia un concert junkie, un collezionista sfegatato di vinili introvabili o uno che a malapena accende la radio quando è in macchina, l’avvento dell’algoritmo ha senz’altro stratificato e complicato il modo in cui la tua bolla musicale viene creata su misura.

Nel 2020 c’erano oltre 345 milioni di ascoltatori su Spotify, su Apple Music ce ne erano 72 milioni e su Amazon Music oltre 55 milioni, secondo il sito Business of Apps. Gli utenti Spotify hanno speso oltre 2,3 miliardi di ore, tra il 2015 e il 2020, ad ascoltare le loro Discovery Weekly, e in generale un terzo del tempo passato sull’app viene dedicato alle app curated playlists, secondo le notizie di Spotify.

Ci sono vari tipi di algoritmi sul mercato. Il più usato, secondo i ricercatori, viene chiamato collaborative filtering. Il collaborative filtering accede alla tua cronologia di utente, registrando i brani che hai ascoltato di recente, e poi va a cercare nel database dell’applicazione altri utenti che hanno ascoltato le stesse canzoni. I suggerimenti dell’algoritmo saranno proprio le canzoni ascoltate da questi altri utenti e a te ancora sconosciute. Si tratta di un approccio collaborativo sociale.

Grazie agli algoritmi come il collaborative filtering, tutti gli ascoltatori e gli artisti dovrebbero trarre beneficio in egual modo dalla segmentazione e personalizzazione del sistema. In teoria, non ci dovrebbe essere discriminazione in base ai gusti musicali, che siano a favore del pop, del rock, del garage, della drill o di altro. Ma purtroppo le cose non funzionano proprio così.

I ricercatori della Graz University of Technology, del Know-Center GmbH, della Johannes Kepler University Linz, dell’Università di Innsbruck e dell’Università di Utrecht hanno utilizzato un set di dati contenente le cronologie musicali di 4148 utenti del servizio Last.fm. Metà delle persone selezionate ascoltavano musica mainstream, l’altra metà musica più di nicchia. Poi hanno calcolato quanto fosse probabile che agli utenti piacesse la musica suggerita da quattro diversi, ma comunemente usati, sistemi algoritmici di raccomandazione musicale.

Sì, gli amanti del pop ricevono suggerimenti musicali molto più accurati rispetto agli ascoltatori di altri tipi di musica, cosa che, come abbiamo detto, si sospettava fin dall’inizio. Questo accade anche se di solito gli utenti mainstream ascoltano meno musica, dunque forniscono meno dati agli algoritmi, spiegano i ricercatori.

«Ma questa è un’osservazione che è stata fatta in molti domini di questo campo», dice Lex, aggiungendo che i ricercatori se ne sono accorti anche nella loro vita quotidiana. Pure per loro, che per esempio ricordano le lacrime piante per la morte di Kurt Cobain, i suggerimenti algoritmici non azzeccano spesso. Questo fenomeno è principalmente dovuto al popularity bias che si trova nella maggior parte dei sistemi mediatici e porta alla sovrarappresentazione del pop nella sfera culturale. «Con gli utenti mainstream o pop, è più facile trovare qualcosa che corrisponde alle loro preferenze, perché ci sono così tante persone che hanno preferenze simili. Quindi sono più facili da soddisfare, da prevedere e da modellare».

Gli utenti non-mainstream del database sono stati sistematicamente divisi in quattro diversi gruppi per genere: folk, per gli ascoltatori di musica strumentale classica (soul, blues, jazz, country); hard rock e hip hop, per gli ascoltatori di musica high energy; ambient, per gli ascoltatori di musica chill e rilassata; e electro, per gli ascoltatori di musica high energy, ma priva di voce e testi (qui hanno messo anche death metal e black metal, perché secondo l’algoritmo la voce viene usata quasi come uno strumento).

Anche tra questi quattro sottogruppi gli algoritmi hanno dimostrato dei bias non da poco. È molto più probabile che un ascoltatore di musica chill e ambient (a cui piacciono new age, experimental, contemporary classical e dark ambient, per esempio) riceva suggerimenti azzeccati rispetto a un amante di musica high energy come l’hip hop o l’hard rock.

«Per esempio, gli utenti ambient che amano ascoltare musica calma e rilassante consumano anche la musica degli altri sottogruppi: sembrano essere più aperti e il loro profilo è più vario. Quindi gli algoritmi di raccomandazione gli sono più affini», spiega Lex. Questo accade nonostante il fatto che, secondo la ricerca, gli ascoltatori chill di solito ascoltano meno musica e forniscono meno dati al sistema, come quelli mainstream.

Gli ascoltatori di musica hard, invece, tra cui gli ascoltatori di emo, classic rock, pop rock e punk, sono più selettivi anche tra di loro. «Sono troppo diversi tra di loro. Sembrano essere molto individuali e selettivi nei loro gusti. E non sono così aperti alla musica di altri sottogruppi come lo sono gli ascoltatori di musica soft. Quindi sono davvero quelli per i quali l’algoritmo funziona peggio in assoluto», dice Lex. Questo succede anche se gli utenti della categoria hard ascoltano la più ampia varietà di generi all’interno della loro categoria personale, variando tra hard rock, punk, hardcore e hip hop.

Dunque, i ricercatori si sono anche chiesti se i fan della musica più spinta usino le loro preferenze musicali come elemento di costruzione della propria identità personale più di altri utenti. Più, per esempio, degli ascoltatori di musica chill che magari accendono la radio solo come accompagnamento sullo sfondo e non sono poi così affezionati alle loro scelte. L’argomento sarà il focus principale del loro prossimo studio. «Tutti pensano che più dati ci metti dentro, più sarà azzeccato il risultato, ma non è necessariamente così. Sembra che questa caratteristica di apertura ad altri generi sia il fattore più importante», dice Dominik Kowald, collaboratore di Lex dal team di Social Computing del Know-Center, e come lei fan sfegatato della musica metal e hardcore.

Inoltre, i ricercatori hanno scoperto che gli ascoltatori più flessibili e meglio serviti sono quelli più adulti, mentre quelli peggio serviti sono i più giovani. «Forse c’è anche qui un qualche tipo di relazione su cui dobbiamo indagare. Si potrebbe pensare: ok, più si diventa adulti, più si diventa anche aperti», osserva Kowald.

Lex e Kowald sperano che le loro scoperte vadano ad aiutare la creazione di algoritmi più accurati, in modo da riequilibrare alcuni degli squilibri che stanno maturando nell’industria. Anche se ovviamente non possono fare previsioni sugli atteggiamenti musicali di tutti, ovunque, su tutte le app, sostengono che il bias di popolarità è una costante in questi casi più che in altri settori dell’industria dell’entertainment.

Anche se non hai mai pianto perché l’algoritmo di Spotify non ti capisce o perché hai dovuto skippare metà radio di Apple Music, questo fenomeno ha un effetto a catena sull’industria musicale e sulla cultura della musica che va molto al di là di quello che ascolti in cuffia.

«Il fenomeno è problematico se preso dal punto di vista degli artisti che producono questo tipo di musica», spiega Lex, parlando di come ora che tutto deve passare dai social media e dalle piattaforme di streaming, gli artisti guadagnano solo se diventano molto popolari. «Se sei uno di questi artisti di nicchia, e non passi i filtri dell’algoritmo, in questo contesto non sei esposto, non esisti, e la gente non conosce il tuo lavoro. E penso che questa sia la parte cruciale».

«A lungo termine non vogliamo avere un paesaggio musicale che non è vario come potrebbe essere, e che è dominato solo dalle grandi etichette. Dovrebbe avere uno spazio per tutti», aggiunge Kowald. Soprattutto quando il problema diventa più grande delle faide tra i diversi generi musicali, spiega, citando un nuovo studio di una collega che ha dimostrato come gli algoritmi siano più propensi a mettere in evidenza canzoni prodotte da uomini piuttosto che da donne. Infatti, nel 2019, Spotify ha annunciato che avrebbe testato un algoritmo in grado di prendere in considerazione anche suggerimenti dagli artisti stessi, per evidenziare anche ciò che è importante per loro.

«Gli algoritmi come questo alla fine vanno a plasmare il modo in cui la musica viene creata e poi venduta», conclude Lex, che si aspetta di vedere molta più ricerca in questa direzione. Molti altri studiosi come lei hanno già riconosciuto che ci sono delle vere e proprie conseguenze serie all’uso di algoritmi, conseguenze che inizialmente non si potevano neanche calcolare. «E ora abbiamo bisogno di affrontarle».