MUSiNET: A Complex Network Model to Explore Underlying Relationship among Musics
Cet article présente MUSiNET, un nouveau modèle de réseau complexe qui intègre des caractéristiques musicales intrinsèques et extrinsèques pour cartographier les relations globales entre les chansons, révélant des perspectives structurelles sur l'intégration culturelle et la dynamique de popularité qui offrent une alternative robuste et fondée sur les données à la classification musicale traditionnelle pour des applications telles que la recommandation et la découverte.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
La musique est depuis longtemps comprise comme un langage universel, une force capable de susciter des émotions et de relier les gens par-delà les vastes clivages culturels. Pendant des décennies, les scientifiques et les technologues ont tenté de cartographier ces connexions, en s'appuyant souvent sur la manière dont les auditeurs décrivent ce qu'ils entendent ou sur des catégories larges comme les étiquettes de genres. Ces méthodes traditionnelles, cependant, manquent souvent les fils subtils et invisibles qui lient les chansons entre elles. Elles peinent à expliquer pourquoi une chanson d'un pays peut sembler familière à un auditeur d'un autre, ou comment un titre des années 1980 peut entrer en résonance avec un succès des années 2020. Pour résoudre cela, les chercheurs se sont tournés vers un domaine appelé la science des réseaux complexes. Dans cette approche, les éléments individuels — comme les chansons — sont traités comme des points, et les relations entre eux sont dessinées sous forme de lignes. En étudiant la forme de ces connexions, les scientifiques peuvent voir des motifs invisibles lorsqu'on examine les chansons une par une. Cette perspective déplace l'attention de ce qu'une chanson est étiquetée vers la façon dont elle se comporte réellement et se rapporte aux autres dans une collection mondiale massive.
Dans une nouvelle étude, une équipe de chercheurs de l'Inde a construit une carte numérique des relations musicales appelée MUSiNET. Au lieu de demander aux gens ce qu'ils aiment, l'équipe a laissé la musique parler d'elle-même en analysant des milliers de chansons à l'aide d'un ordinateur. Ils ont rassemblé un ensemble de données de 5 000 titres provenant de cinq langues différentes : l'anglais, le bengali, l'hindi, l'espagnol et le coréen. Pour chaque chanson, l'ordinateur a examiné deux types d'informations. Premièrement, il a examiné le son lui-même, mesurant des éléments tels que la rapidité du rythme, l'énergie du morceau et son caractère joyeux ou triste. Deuxièmement, il a examiné les faits entourant la chanson, tels que l'interprète, l'année de sortie et sa popularité. Les chercheurs ont ensuite comparé chaque chanson à toutes les autres, calculant un score qui représentait leur similitude. Si deux chansons étaient assez semblables, l'ordinateur traçait une ligne entre elles. Le résultat fut une toile géante et complexe où chaque chanson était un nœud et chaque similitude une connexion.
Les chercheurs ont examiné cette toile sous trois angles différents pour comprendre sa structure. Au niveau le plus fin, ils ont observé les chansons individuelles pour voir lesquelles étaient les plus importantes. Ils ont découvert que les chansons les plus connectées, ou « hubs », étaient souvent des succès récents qui avaient été boostés par les algorithmes de streaming. Ces titres, provenant fréquemment du genre K-pop ou d'autres styles modernes, agissaient comme des points de rassemblement centraux. Cependant, l'équipe a également découvert un autre type de chanson importante : les « ponts ». Il s'agissait de morceaux qui connectaient différents groupes de musique qui, autrement, ne se rencontreraient jamais. Étonnamment, ces ponts étaient souvent des chansons plus anciennes, parfois vieilles de plusieurs décennies, et provenaient fréquemment de langues régionales comme l'hindi et le bengali. Tandis que les succès modernes formaient des grappes denses de musique nouvelle similaire, ces morceaux plus anciens agissaient comme la colle maintenant l'ensemble du réseau, reliant différentes cultures et époques.
Lorsque l'équipe a pris du recul pour observer l'ensemble du réseau, elle a découvert à quel point la musique est véritablement intégrée. La grande majorité des chansons — 99,58 pour cent d'entre elles — faisait partie d'un seul et même groupe géant. Cela signifie que presque n'importe quelle chanson de leur collection pouvait être rejointe à partir de n'importe quelle autre en suivant une chaîne de similitudes. Le réseau n'était pas divisé en îles isolées de langue ou de genre ; au contraire, c'était un paysage continu où un auditeur pourrait théoriquement voyager d'une chanson de pop coréenne à une ballade espagnole en suivant simplement les fils musicaux. Les chercheurs ont également remarqué que, bien que les chansons aient tendance à se connecter avec d'autres de popularité ou d'année de sortie similaires, il existait des exceptions significatives. Par exemple, des chansons de langues différentes se liaient souvent si elles partageaient des rythmes ou des niveaux d'énergie similaires, prouvant que la connexion musicale pouvait être plus forte que la barrière de la langue.
L'étude a également révélé comment la durée d'une chanson et sa date de sortie influençaient ces connexions. Les chansons d'environ trois à quatre minutes formaient les grappes les plus denses, suggérant que c'est le point idéal de la similitude musicale. Par ailleurs, le réseau a montré que la musique tourne souvent en boucle sur elle-même ; des chansons des années 1980 ont été trouvées ayant de fortes connexions avec des titres modernes qui réveillaient des styles similaires, créant une boucle où le passé et le présent s'influencent mutuellement. Les chercheurs ont conclu que, bien que les plateformes de streaming poussent souvent les chansons les plus populaires et les plus adaptées aux algorithmes vers le haut, la structure sous-jacente de la musique est bien plus diversifiée et interconnectée. Les « hubs » d'aujourd'hui sont peut-être les nouveaux succès, mais les « ponts » qui maintiennent le monde de la musique connecté sont souvent les morceaux intemporels et transculturels qui existent depuis longtemps. Ce travail suggère que pour véritablement comprendre la musique et la recommander efficacement, nous devons regarder au-delà des simples étiquettes et des classements de popularité, et plutôt suivre les relations structurelles profondes qui existent au sein même du son.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.