Exploring ESC Winners with Nested Diagrams

Stellen Sie sich vor, Sie sind ein Detektiv, der versucht, ein Rätsel zu lösen, aber anstelle von Fingerabdrücken und Alibis sind Ihre Hinweise Muster in Daten. Dies ist die Welt der Formalen Konzeptanalyse (FCA), ein Zweig der Mathematik, der uns hilft, ungeordnete Informationen in ordentliche, logische Strukturen zu bringen. Betrachten Sie die FCA als einen supermächtigen Aktenschrank, der Dateien nicht nur nach Namen sortiert, sondern automatisch erkennt, welche Dateien aufgrund der Dinge, die sie gemeinsam haben, zusammengehören. Wenn Sie eine Liste von Liedern und eine Liste von Ländern haben, kann die FCA Ihnen sagen: „Hey, alle Lieder aus Land A teilen diese spezifische musikalische Eigenschaft“ oder „Jedes Mal, wenn ein Lied einen schnellen Beat hat, bekommt es Stimmen von dieser speziellen Gruppe von Nachbarn.“

Das Papier, das wir heute untersuchen, nutzt dieses mathematische Ablagesystem, um den Eurovision Song Contest zu betrachten, den riesigen jährlichen Musikwettbewerb, bei dem Länder füreinander abstimmen. Jeder weiß, dass der Eurovision den Ruf von „Voting-Blöcken“ hat – bei denen Nachbarn oder kulturell ähnliche Länder dazu neigen, einander hohe Punktzahlen zu geben, manchmal unabhängig von der Qualität des Liedes. Aber spielt die Musik selbst eine Rolle? Gibt es bestimmte Arten von Liedern, die nur gewinnen, wenn sie aus bestimmten Wahlbündnissen stammen? Die Autoren haben ein neues digitales Werkzeug gebaut, um diese zwei Welten zu entwirren: die politischen und kulturellen Gründe, warum Menschen abstimmen, und die tatsächlichen musikalischen Noten und Geschwindigkeiten der Lieder. Sie wollen sehen, ob die Art und Weise, wie ein Lied gewählt wird, geheim mit dem Klang des Liedes verknüpft ist.

Das musikalische Detektiv-Werkzeug: ConceptFlow

Die Autoren, Anurag Sharma, Marcel Nöhre und Gerd Stumme, haben ein neues Software-Tool namens ConceptFlow entwickelt. Sie können sich dieses Tool als einen „verschachtelten Diagramm-Generator“ vorstellen. Stellen Sie sich eine Reihe von russischen Matroschka-Puppen vor, aber anstatt aus Holzfiguren ist jede Puppe eine Karte von Beziehungen. Die äußere Puppe repräsentiert ein großes Gesamtbild (wie Abstimmungsmuster), und in jedem einzelnen Teil dieser äußeren Puppe befindet sich eine kleinere, detaillierte Puppe, die ein anderes Bild repräsentiert (wie musikalische Merkmale).

Dieses Tool wurde entwickelt, um mit Python zu arbeiten, einer populären Programmiersprache, und es folgt einem Standard-Regelsatz (der sogenannten „scikit-learn“-Schnittstelle), damit andere Wissenschaftler es leicht in ihre eigene Arbeit integrieren können. Die Hauptaufgabe von ConceptFlow besteht darin, eine riesige, komplizierte Liste von Daten – in der jeder Eintrag viele verschiedene Arten von Informationen besitzt – in zwei Schichten zu zerlegen: eine äußere Skala und eine innere Skala.

Der Fall der 50 Gewinner

Um ihr Werkzeug zu testen, betrachtete das Team die Gewinner des Eurovision Song Contest von 1975 bis 2025. Sie übersprangen das Jahr 2020, da der Wettbewerb in diesem Jahr abgesagt wurde, wodurch sie 50 Gewinnerlieder zur Analyse übrig behielten.

Sie sammelten zwei Arten von Informationen für jeden Gewinner:

1. Die stimmbegleitende Unterstützung (Die äußere Skala): Sie untersuchten, wie viel Unterstützung jeder Gewinner von Ländern erhielt, die mit ihnen Verbindungen teilen. Sie gruppierten diese Verbindungen in vier Kategorien: regional (Nachbarn), kulturell (gemeinsame Geschichte oder Sprache), historisch (vergangene Verbindungen) und politisch (Bündnisse). Wenn ein Gewinner eine durchschnittlich mindestens 8 Punkte von einer spezifischen Gruppe von Ländern erhielt, markierten sie dies als „starke Verbindung“.
2. Die musikalischen Merkmale (Die innere Skala): Sie untersuchten das Tempo (wie schnell der Beat ist) und die Tonart (ob das Lied fröhlich/Dur oder traurig/Moll klingt) der Lieder. Sie wandelten die Geschwindigkeit in einfache Kategorien um: Lieder mit einem Tempo von mindestens 100 BPM (Beats per Minute) und Lieder mit einem Tempo von mindestens 150 BPM.

Die Magie des verschachtelten Diagramms

Normalerweise, wenn man versucht, eine Karte zu zeichnen, die sowohl Abstimmungsmuster als auch musikalische Merkmale gleichzeitig zeigt, wird dies zu einem chaotischen, verhedderten Spinnennetz, das unmöglich zu lesen ist. ConceptFlow löst dies durch ein „verschachteltes Liniendiagramm“.

Stellen Sie sich einen großen Baum (das äußere Diagramm) vor, bei dem jeder Ast eine Art von Abstimmungsunterstützung repräsentiert. Stellen Sie sich nun vor, dass in den Blättern dieses Baumes winzige, identische Karten (die inneren Diagramme) liegen, die die musikalischen Merkmale zeigen. Die Software füllt die Stellen auf diesen winzigen Karten aus, an denen ein echter Gewinner tatsächlich existiert. Wenn eine Stelle leer (hohl) ist, bedeutet dies, dass diese Kombination aus Abstimmungsunterstützung und musikalischen Merkmalen nie in den Daten vorkam.

Die Autoren verwendeten eine Methode namens „konzeptionelle Skalierung“, um ihre Rohdaten in diese zwei Schichten zu verwandeln. Dann verwendeten sie einen mathematischen Trick, um genau zu bestimmen, welche Stellen in den verschachtelten Karten gefüllt werden sollten. Sie haben nicht nur ein Bild gezeichnet; sie haben die „gefüllten Knoten“ (die echten Gewinner) und die „ungefüllten Knoten“ (die fehlenden Kombinationen) berechnet.

Was das Diagramm enthüllte

Als sie das fertige Diagramm betrachteten, traten einige interessante Muster auf, die zeigten, wie Musik und Abstimmung miteinander verknüpft sind, bezogen auf die von ihnen untersuchten Gewinner:

• Schnelle Lieder brauchen kulturelle Freunde: Jedes einzelne Gewinnerlied, das sehr schnell war (mindestens 150 BPM), verfügte auch über starke kulturelle Unterstützung. Im Diagramm gab es keinen Platz für ein „schnelles Lied ohne kulturelle Unterstützung“, der ausgefüllt war. Dies deutet darauf an, dass in diesem Datensatz, wenn ein Lied super schnell ist, es scheinbar eine kulturelle Verbindung braucht, um zu gewinnen.
• Traurige Lieder haben eine Mindestgeschwindigkeit: Unter den Gewinnern, die Unterstützung aus ihrer Region oder Kultur erhielten, hatte jedes Lied mit einer Moll-Tonart ein Tempo von mindestens 100 BPM. Das Diagramm zeigte, dass ein „langsames, trauriges Lied“ mit regionaler oder kultureller Unterstützung schlichtweg nicht existierte unter den Gewinnern. Die Stelle für diese Kombination war leer.
• Die ultimative Kombination: Es gab eine spezifische Kombination, die nur mit allen Arten von Unterstützung auftauchte. Wenn ein Gewinner eine Moll-Tonart, ein schnelles Tempo (mindestens 150 BPM) und kulturelle Unterstützung hatte, besaß er auch politische und historische Unterstützung. Das Diagramm zeigte, dass diese spezifische musikalische Mischung nie ohne die zusätzliche politische und historische Rückendeckung vorkam.

Warum dies wichtig ist (und was es nicht ist)

Die Autoren sind vorsichtig darauf hinzuweisen, dass dies keine vollständige Studie darüber ist, warum Menschen so abstimmen, wie sie es tun. Stattdessen ist es eine Demonstration dessen, was ihr neues Werkzeug, ConceptFlow, leisten kann. Sie behaupten nicht, das Geheimnis von Eurovision für immer gelöst zu haben. Sie zeigen vielmehr, dass man durch die Verwendung von verschachtelten Diagrammen verborgene Regeln und Verbindungen sehen kann, die in einer Tabellenkalkulation schwer zu entdecken sind.

Das Diagramm fungiert wie ein Scheinwerfer, der Ihnen genau zeigt, wo bestimmte musikalische Kombinationen möglich sind und wo sie durch die Regeln der Abstimmung blockiert werden. Zum Beispiel hebt es hervor, dass man kein langsames, trauriges Lied mit nur regionaler Unterstützung gewinnen lassen kann; etwas anderes wird benötigt.

In der Zukunft hofft das Team, mehr Funktionen in ConceptFlow einzubauen, wie zum Beispiel das automatische Auflisten der „Regeln“ (Implikationen), die das Diagramm offenbart, sodass Benutzer auf einen Punkt klicken und genau sehen können, warum eine bestimmte Kombination fehlt. Für den Moment haben sie erfolgreich eine Brücke zwischen der Mathematik der Abstimmungsmuster und der Kunst der Songstruktur gebaut und bewiesen, dass der beste Weg, ein komplexes System zu verstehen, manchmal darin besteht, es durch eine Reihe von verschachtelten, mathematischen Puppen zu betrachten.