MUSiNET: A Complex Network Model to Explore Underlying Relationship among Musics
Questo articolo introduce MUSiNET, un nuovo modello di rete complessa che integra caratteristiche musicali intrinseche ed estrinseche per mappare le relazioni globali tra i brani, rivelando approfondimenti strutturali sull'integrazione culturale e sulle dinamiche di popolarità che offrono un'alternativa robusta e basata sui dati alla tradizionale classificazione musicale per applicazioni quali la raccomandazione e la scoperta.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
La musica è da tempo compresa come un linguaggio universale, una forza capace di scuotere le emozioni e connettere le persone attraverso vasti divari culturali. Per decenni, scienziati e tecnologi hanno cercato di mappare queste connessioni, affidandosi spesso al modo in cui gli ascoltatori descrivono ciò che sentono o a categorie ampie come le etichette di genere. Questi metodi tradizionali, tuttavia, spesso perdono i fili sottili e invisibili che legano insieme le canzoni. Faticano a spiegare perché una canzone di un paese possa sembrare familiare a un ascoltatore di un altro, o come un brano degli anni '80 possa risuonare con un successo degli anni 2020. Per risolvere questo problema, i ricercatori si sono rivolti a un campo chiamato scienza delle reti complesse. In questo approccio, i singoli elementi — come le canzoni — sono trattati come punti, e le relazioni tra di essi sono disegnate come linee. Studiando la forma di queste connessioni, gli scienziati possono vedere schemi che sono invisibili quando si osservano le canzoni una per una. Questa prospettiva sposta l'attenzione da ciò che una canzone è etichettata come a come essa si comporta realmente e si relaziona con le altre in una vasta collezione globale.
In un nuovo studio, un team di ricercatori indiani ha costruito una mappa digitale delle relazioni musicali chiamata MUSiNET. Invece di chiedere alle persone cosa piaccia loro, il team ha lasciato che la musica parlasse da sola, analizzando migliaia di canzoni tramite un computer. Hanno raccolto un dataset di 5.000 brani in cinque lingue diverse: inglese, bengalese, hindi, spagnolo e coreano. Per ogni canzone, il computer ha esaminato due tipi di informazioni. In primo luogo, ha esaminato il suono stesso, misurando elementi come la velocità del ritmo, quanta energia ha il brano e quanto suoni felice o triste. In secondo luogo, ha esaminato i fatti che circondano la canzone, come chi l'ha eseguita, l'anno di pubblicazione e quanto sia popolare. I ricercatori hanno poi confrontato ogni canzone con tutte le altre, calcolando un punteggio che rappresentasse quanto fossero simili. Se due canzoni erano abbastanza simili, il computer disegnava una linea tra loro. Il risultato è stato una ragnatela gigante e intricata dove ogni canzone era un nodo e ogni somiglianza era una connessione.
Il team ha esaminato questa rete da tre diverse angolazioni per comprenderne la struttura. Al livello più piccolo, hanno guardato le singole canzoni per vedere quali fossero le più importanti. Hanno scoperto che le canzoni più connesse, o "hub", erano spesso successi recenti che erano stati spinti dagli algoritmi di streaming. Questi brani, frequentemente appartenenti al genere K-pop o ad altri stili moderni, agivano come punti di aggregazione centrali. Tuttavia, il team ha anche scoperto un tipo diverso di canzone importante: i "ponti". Questi erano brani che connettevano diversi gruppi di musica che altrimenti non si sarebbero mai incontrati. Sorprendentemente, questi ponti erano spesso canzoni più vecchie, talvolta di decenni, e provenivano frequentemente da lingue regionali come l'hindi e il bengalese. Mentre i successi moderni formavano cluster densi di musica nuova simile, questi brani più vecchi agivano come la colla che teneva insieme l'intera rete, collegando diverse culture e periodi temporali.
Quando il team si è fatto indietro per osservare l'intera rete, ha scoperto qualcosa di straordinario sulla reale integrazione della musica. La stragrande maggioranza delle canzoni — il 99,58 percento di esse — faceva parte di un unico, enorme gruppo. Ciò significa che quasi ogni canzone della loro collezione poteva essere raggiunta da qualsiasi altra seguendo una catena di somiglianze. La rete non era divisa in isole isolate di lingua o genere; era invece un paesaggio continuo dove un ascoltatore avrebbe potuto teoricamente viaggiare da una canzone pop coreana a una ballata spagnola semplicemente seguendo i fili musicali. I ricercatori hanno anche notato che, sebbene le canzoni tendessero a connettersi con altre di simile popolarità o anno di pubblicazione, esistevano eccezioni significative. Ad esempio, canzoni di lingue diverse spesso si collegavano se condividevano ritmi o livelli di energia simili, provando che la connessione musicale poteva essere più forte della barriera linguistica.
Lo studio ha anche rivelato come la durata di una canzone e la sua data di pubblicazione influenzassero queste connessioni. Le canzoni che duravano circa tre o quattro minuti formavano i cluster più densi, suggerendo che questo sia il punto ideale per la somiglianza musicale. Nel frattempo, la rete mostrava che la musica spesso torna su se stessa; canzoni degli anni '80 sono state trovate ad avere forti connessioni con brani moderni che hanno rivitalizzato stili simili, creando un ciclo in cui il passato e il presente si influenzano a vicenda. I ricercatori hanno concluso che, sebbene le piattaforme di streaming spingano spesso le canzoni più popolari e adatte agli algoritmi verso l'alto, la struttura sottostante della musica è molto più diversificata e interconnessa. Gli "hub" di oggi possono essere i nuovi successi, ma i "ponti" che mantengono connesso il mondo della musica sono spesso i brani senza tempo e transculturali che esistono da molto tempo. Questo lavoro suggerisce che per comprendere davvero la musica e raccomandarla efficacemente, dobbiamo guardare oltre le semplici etichette e le classifiche di popolarità e, invece, seguire le profonde relazioni strutturali che esistono all'interno del suono stesso.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.