Respuestas cerebrales y aprendizaje automático predicen canciones exitosas con un 97% de precisión
Cada día se lanzan numerosas canciones, lo cual representa un desafío para los servicios de transmisión y las estaciones de radio al seleccionar cuáles añadir a sus listas de reproducción. Para superar esta dificultad y encontrar canciones que atraigan a un amplio público, estos servicios han confiado en oyentes humanos e inteligencia artificial. Sin embargo, este enfoque solo ha logrado una precisión del 50% al predecir si una canción se convertirá en un éxito.
Ahora, investigadores en Estados Unidos han utilizado una técnica integral de aprendizaje automático combinada con respuestas cerebrales para predecir canciones exitosas con una impresionante precisión del 97%.
«Al aplicar el aprendizaje automático a los datos neurofisiológicos, casi pudimos identificar perfectamente las canciones exitosas», dijo Paul Zak, profesor en la Claremont Graduate University y autor principal del estudio publicado en Frontiers in Artificial Intelligence. Además, agregó: «Es asombroso que la actividad neural de 33 personas pueda predecir si millones de otras personas escucharán nuevas canciones. Nada similar a esta precisión se había demostrado antes».
En el estudio, los participantes utilizaron sensores comerciales y escucharon un conjunto de 24 canciones mientras proporcionaban comentarios sobre sus preferencias y algunos datos demográficos. Los investigadores midieron las respuestas cerebrales de los participantes durante el experimento. Zak explicó: «Las señales cerebrales que hemos recopilado reflejan la actividad de una red cerebral asociada con el estado de ánimo y los niveles de energía». Esto permitió a los investigadores predecir resultados de mercado, como el número de reproducciones de canciones, basándose en datos de un grupo pequeño.
Este enfoque innovador se conoce como «neuropronóstico». Captura la actividad neural de un pequeño grupo de personas para predecir efectos a nivel de la población, eliminando la necesidad de medir la actividad cerebral de cientos de individuos.
Después de recopilar los datos, los investigadores utilizaron diversos enfoques estadísticos para evaluar la precisión de sus variables neurofisiológicas en la predicción de éxitos. Entrenaron un modelo de aprendizaje automático utilizando diferentes algoritmos para mejorar la precisión predictiva.
Los resultados mostraron que un modelo estadístico lineal identificaba correctamente las canciones exitosas con una tasa del 69%. Sin embargo, al aplicar el aprendizaje automático a los datos recopilados, la precisión en la identificación de canciones exitosas aumentó hasta el 97%. Además, al aplicar el aprendizaje automático a las respuestas cerebrales en el primer minuto de las canciones, la tasa de éxito fue del 82%.
Zak destacó la importancia de estos hallazgos, afirmando: «Esto significa que los servicios de transmisión pueden identificar fácilmente nuevas canciones que probablemente sean éxitos en las listas de reproducción de las personas de manera más eficiente, facilitando el trabajo de los servicios de transmisión y deleitando a los oyentes».
Mirando hacia el futuro, Zak visualiza un escenario en el que las tecnologías de neurociencia portátiles, como las utilizadas en el estudio, se vuelvan más comunes. Esto permitiría experiencias de entretenimiento personalizadas basadas en la neurofisiología de cada individuo. En lugar de verse abrumadas por innumerables opciones, las personas podrían recibir solo algunas opciones, lo que les permitiría seleccionar música de manera más rápida y sencilla.
Si bien los investigadores lograron resultados de predicción casi perfectos, reconocieron ciertas limitaciones. Utilizaron un número relativamente pequeño de canciones en su análisis, y los participantes del estudio representaban una gama moderadamente diversa de grupos demográficos, pero no incluyeron miembros de ciertos grupos étnicos y de edad.
No obstante, los investigadores creen que su metodología se puede aplicar más allá de la identificación de canciones exitosas debido a su implementación sencilla. Zak concluyó: «Nuestra principal contribución es la metodología. Es probable que este enfoque también se pueda utilizar para predecir éxitos en muchos otros tipos de entretenimiento, incluyendo películas y programas de televisión».