Recommender systems, representativeness, and online music: a psychosocial analysis of Italian listeners

Dit onderzoek analyseert via psychosociale interviews met Italiaanse luisteraars hoe zij omgaan met muziekrecommenderingsystemen, waarbij blijkt dat hoewel ze routinematig gebruikmaken van deze platforms, ze vaak een gebrek aan kritisch inzicht hebben in de algoritmen en beperkt bewust zijn van gendergerelateerde representatieproblemen, wat de noodzaak benadrukt om psychosociale inzichten te integreren in het ontwerp van cultureel gevoelige systemen.

De kern

🎵 De Onzichtbare DJ: Hoe luisteren we naar muziek in het digitale tijdperk?

Stel je voor dat je in een gigantische, oneindige platenwinkel loopt. Je hebt geen idee waar je moet beginnen, dus je vraagt aan een onzichtbare DJ (de algoritme) om je te helpen. Deze DJ kent je smaak blijkbaar heel goed: hij speelt precies de nummers die je leuk vindt, maakt playlists voor je en stelt je nieuwe artiesten voor. Dit is hoe Spotify, TikTok en andere platforms werken.

Maar wat gebeurt er als we vragen: "Weet je eigenlijk wel hoe die DJ zijn werk doet? En is hij eerlijk?"

Dat is precies wat Lorenzo Porcaro en Chiara Monaldi hebben onderzocht. Ze hebben 21 Italianen geïnterviewd om te kijken hoe ze denken over deze onzichtbare DJ en of die DJ soms vooroordelen heeft. Ze gebruikten een speciale methode genaamd Emotionele Tekstanalyse. Denk hierbij niet aan een statistiek-tabel, maar meer aan het analyseren van de gevoelens en woorden die mensen gebruiken, alsof je een psycholoog bent die luistert naar wat er echt in hun hoofd omgaat.

Hier zijn de belangrijkste ontdekkingen, vertaald in alledaagse taal:

1. De Vriendelijke Vriend vs. De Magische Black Box

De onderzoekers zagen twee heel verschillende manieren waarop mensen met de app omgaan:

• De Vriendelijke Vriend (De Platform): Mensen voelen zich op hun gemak met apps als Spotify. Het voelt als een huis, een plek waar ze thuis zijn. Ze zeggen dingen als: "Spotify helpt me nieuwe bands te vinden" of "Mijn playlist is mijn eigen ding." Er is een gevoel van wederkerigheid: jij luistert, de app leert van jou. Het voelt als een samenwerking.
• De Magische Black Box (Het Algoritme): Zodra het gesprek echter gaat over hoe de app precies werkt (het algoritme), verandert het gevoel. Mensen voelen zich dan afstandelijk. Ze zien het algoritme als een mysterieuze, bijna goddelijke kracht die "ranks" (lijsten maakt) en "creëert". Ze begrijpen niet echt hoe het werkt, en voelen zich daar ook niet verantwoordelijk voor. Het is alsof ze denken: "De DJ doet het wel, ik luister gewoon."

De les: We voelen ons comfortabel met de app, maar we hebben geen idee wat er achter de schermen gebeurt. We vertrouwen de DJ blindelings.

2. Taal en Land: Een Duidelijke Scheidslijn

Toen de mensen vroegen over "vertegenwoordiging" (wie er wel en niet in de muziek zit), was hun eerste gedachte heel duidelijk: Taal en Land.

• Ze zagen een groot verschil tussen "Engels/Amerikaans" (de grote, wereldwijde sterren) en "Italiaans" (hun eigen lokale muziek).
• Voor hen was dit een duidelijke scheidslijn. Ze konden makkelijk uitleggen dat de app vaak Engels zingt en dat hun eigen Italiaanse muziek soms minder zichtbaar is. Dit voelt voor hen als een echte, tastbare ongelijkheid.

3. Geslacht: Een Onzichtbaar Probleem

Hier wordt het interessant (en een beetje zorgwekkend). Toen de onderzoekers vroegen over geslacht (mannen vs. vrouwen in de muziek), was het antwoord veel zwakker.

• Mensen merkten op dat er veel mannen zijn, maar ze zagen dit niet als een groot, systemisch probleem dat door de app wordt veroorzaakt.
• Het was alsof ze dachten: "Ja, er zijn veel mannen, maar dat is gewoon zo." Ze zagen niet dat de app misschien onbewust meer mannen kiest en vrouwen over het hoofd ziet.
• De les: Mensen zien de "grote" culturele verschillen (taal, land), maar missen de "subtiele" vooroordelen (geslacht). Ze hebben geen "bril" om te zien hoe de algoritme vrouwen soms onterecht minder kansen geeft.

4. De "Mannelijke" Klap

Een verrassend detail: De mensen die het meest afstandelijk over de technologie spraken (alsof het een mysterie was), waren vaker mannen.
De onderzoekers denken dat dit paradoxaal is. Misschien hebben mannen in Italië minder ervaring met technische onderwerpen dan vrouwen, of voelen ze zich juist minder geneigd om na te denken over hoe de techniek hen beïnvloedt. Het is alsof ze zeggen: "Ik snap het niet, dus ik laat het maar aan de machine over."

🎯 Wat betekent dit voor de toekomst?

De onderzoekers trekken drie belangrijke conclusies:

1. We moeten de "DJ" uitleggen: Apps moeten niet alleen zeggen "Dit nummer is voor jou" (de 'waarom'), maar ook uitleggen "Dit nummer is voor jou omdat jij X hebt gedaan en Y hebt gekozen" (de 'hoe'). Dit helpt mensen om van passieve luisteraars naar kritische gebruikers te groeien.
2. Meer dan alleen cijfers: Technische experts kijken vaak alleen naar data (wat luisteren mensen?). Maar dit onderzoek laat zien dat we ook moeten kijken naar de gevoelens en het culturele bewustzijn van de luisteraar.
3. Wees op je hoede voor onzichtbare vooroordelen: Omdat luisteraars zelf vaak niet zien dat er sprake is van ongelijkheid (zoals bij geslacht), moeten de apps zelf proactief zijn. Ze moeten controleren of ze niet per ongeluk bepaalde groepen artiesten uitsluiten.

Kortom: We hebben een prachtige, handige muziekmachine in onze handen, maar we weten niet precies hoe hij werkt en we zien niet altijd welke artiesten hij bewust of onbewust aan de kant zet. Het is tijd om die onzichtbare DJ een beetje meer in het licht te zetten, zodat we allemaal eerlijker naar muziek kunnen luisteren.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Recommender systems, representativeness, and online music: a psychosocial analysis of Italian listeners" in het Nederlands.

Probleemstelling

Recommender systemen op online muziekplatforms spelen een centrale rol in het vormgeven van luistergedrag wereldwijd. Hoewel er veel aandacht is voor de technische en cognitieve aspecten van deze systemen, ontbreekt er vaak een psychosociale en culturele context in het onderzoek naar de mogelijke schade van representatie (zoals stereotypering, uitsluiting en ondervertegenwoordiging van bepaalde groepen).
De auteurs identificeren drie belangrijke lacunes in de huidige literatuur:

1. Beperkte interdisciplinariteit: Het onderzoek focust vaak puur op gedragsdata (wat gebruikers doen) in plaats van op de onderliggende psychosociale dynamiek (wat gebruikers voelen en denken).
2. Gebrek aan algoritmegeletterdheid: Gebruikers hebben vaak een beperkt begrip van hoe algoritmen werken (algoritmebewustzijn) en hoe ze data verwerken, wat leidt tot een passieve relatie met het systeem.
3. Oppervlakkig bewustzijn van representatieschade: Hoewel luisteraars culturele en taalkundige verschillen herkennen, is hun bewustzijn van subtielere vormen van discriminatie, zoals genderongelijkheid in aanbevelingen, beperkt.

Het artikel onderzoekt hoe Italiaanse luisteraars hun relatie met online platforms en recommender systemen ervaren en hoe zij het concept van "representativiteit" interpreteren.

Methodologie

De studie hanteert een kwalitatieve, interpretatieve benadering gebaseerd op het Emotional Textual Analysis (ETA) raamwerk, een psychosociale methode die is geworteld in psychoanalytische theorieën (Freud, Fornari, Matte Blanco).

• Datacollectie:
  • Deelnemers: 21 Italiaanse luisteraars (leeftijd 20-48, 46% vrouw) gerekruteerd via Prolific.
  • Interviews: Open gestructureerde interviews met één stimulusvraag over de relatie tussen luistergedrag, online platforms en representativiteit van algoritmen.
  • Corpus: De interviews werden getranscribeerd (5 uur 57 min), opgeschoond en opgedeeld in 107 "tekstuele eenheden" (thema's of gedachtenreeksen).
• Analyseprocedure:
  1. Identificatie van 'dichte woorden' (dense words): Woorden die emotionele lading dragen en vaak voorkomen (minimaal 10 keer), zoals "Spotify", "Algoritme", "Man", "Verschil".
  2. Multiple Correspondence Analysis (MCA): Een dimensionale reductietechniek om patronen van associatie tussen dichte woorden en tekstuele eenheden te visualiseren.
  3. Clustering: Toepassing van de K-means++-algoritme om de data te groeperen in culturele repertoires.
  4. Interpretatie: De clusters werden geïnterpreteerd als "culturele repertoires" (gedeelde emotioneel-symbolische betekenissen) en geanalyseerd op basis van etymologie, context en psychologische relaties (bijv. vertrouwdheid vs. vreemdheid).

Belangrijkste Bijdragen

De studie levert drie significante bijdragen aan het veld van Human-Computer Interaction (HCI) en Music Information Retrieval (MIR):

1. Cultureel gesitueerde interpretatie: Het biedt een diepgaand, cultureel gekleurd inzicht in hoe Italiaanse luisteraars hun interactie met algoritmen begrijpen, verder dan puur gedragsdata.
2. Nuancering van algoritmegeletterdheid: Het onderscheidt tussen algoritmebewustzijn (weten dat er een systeem is) en kritische kennis (begrijpen hoe het werkt). De studie toont aan dat luisteraars vaak vertrouwd zijn met platforms maar een gevoel van vervreemding hebben ten opzichte van de onderliggende algoritmen.
3. Koppeling psychosociale inzichten aan technische ontwerp: Het benadrukt dat het ontwerpen van betrouwbare systemen niet alleen een technische uitdaging is, maar ook psychosociale inzichten vereist om representatieschade te voorkomen.

Resultaten

De analyse resulteerde in vier distincte culturele repertoires die de discoursen van de luisteraars structureren:

1. Repertoire 1: Vertrouwdheid (Familiarity)

   • Inhoud: Gerelateerd aan platforms zoals Spotify en TikTok, en termen als "invloed" en "playlist".
   • Betekenis: Luisteraars zien platforms als vertrouwde, bijna menselijke entiteiten. Er is sprake van een wederzijdse, symbiotische relatie waarbij de gebruiker en het platform elkaar beïnvloeden. Dit is het domein van dagelijkse, routinematige interactie.

2. Repertoire 2: Vervreemding (Detachment)

   • Inhoud: Gerelateerd aan termen als "Algoritme", "Ranking" en "Muziekstuk" (in plaats van liedje).
   • Betekenis: Hier heerst een gevoel van afstand. Het algoritme wordt gezien als een mysterieuze, hiërarchische entiteit die creëert, terwijl de luisteraar slechts consumeert. Er is een gebrek aan kritisch inzicht in de werking. Opmerkelijk is dat mannelijke deelnemers vaker in dit repertoire voorkwamen, wat suggereert dat hun technische vocabulaire en begrip mogelijk anders (of beperkter) zijn dan die van vrouwelijke deelnemers.

3. Repertoire 3: Culturele Distinctie (Distinction)

   • Inhoud: Gerelateerd aan taal en nationaliteit: "Engels/Amerikaans" versus "Italiaans", en "Band" versus "Cantautore" (zanger-songwriter).
   • Betekenis: Luisteraars maken duidelijke onderscheiden tussen lokale (Italiaanse) en globale (Engelstalige/Amerikaanse) muziek. Dit wordt gezien als een natuurlijke culturele tegenstelling, maar is losgekoppeld van de discussie over algoritmeschade.

4. Repertoire 4: Representativiteit (Representation)

   • Inhoud: Gerelateerd aan gender: "Man", "Vrouw", "Represteren" en "Verschil".
   • Betekenis: Hoewel gender een onderwerp is, blijft de discussie hierover oppervlakkig en abstract. Luisteraars herkennen genderverschillen, maar missen het kader om te begrijpen hoe algoritmen systematisch vrouwelijke artiesten kunnen ondervertegenwoordigen of stereotyperen. Dit repertoire is losgekoppeld van de technische en culturele discoursen.

Kernconclusie van de resultaten: Er is een duidelijke kloof tussen de vertrouwde relatie met platforms en het onbegrip van de algoritmen die deze sturen. Daarnaast is er een scheiding tussen het herkennen van culturele/taalkundige verschillen en het herkennen van gendergerelateerde representatieschade.

Significantie en Implicaties

De studie heeft belangrijke implicaties voor de ontwikkeling van toekomstige recommender systemen:

• Van passief naar actief: Ontwerpers moeten interfaces creëren die niet alleen uitleggen waarom een aanbeveling wordt gedaan, maar ook hoe het algoritme werkt. Dit kan luisteraars helpen van passieve consumenten te worden naar kritische gebruikers met een hogere algoritmegeletterdheid.
• Proactief toezicht op representatie: Omdat luisteraars zelf vaak niet bewust zijn van subtielere vormen van bias (zoals genderstereotypering), kunnen platforms niet uitsluitend vertrouwen op gebruikersfeedback. Er is behoefte aan proactieve audits van algoritmen om culturele en genderbias te detecteren en te corrigeren.
• Interdisciplinaire aanpak: Het succesvol oplossen van problemen rondom transparantie en representatie vereist een combinatie van technische expertise en psychosociale inzichten. Technische oplossingen moeten worden ingebed in een begrip van de culturele en emotionele context van de gebruiker.

Samenvattend pleit het artikel voor een verschuiving in het onderzoek en ontwerp van recommender systemen: van een puur cognitief-behavioristisch perspectief naar een psychosociaal perspectief dat rekening houdt met de emotionele en symbolische dimensies van mens-algoritme interacties.