نموذج "تعلم آلي" ينجح في التنبؤ بالأغاني والموسيقى الناجحة

في دراسة رائدة نُشرت نتائجها في دورية "فرونتير"، سخر العلماء قوة التعلم الآلي والبيانات العصبية لتحقيق دقة مذهلة في التنبؤ بالأغاني التي من المحتمل أن تصبح ناجحة.

ومن خلال الاستفادة من التقنيات المتطورة والخوارزميات المتقدمة، أثبت الباحثون أن نماذج التعلم الآلي يمكن أن توفر رؤى قيمة في عالم الموسيقى، بعد أن استخدم باحثون من جامعة كليرمونت الأميركية للأبحاث تقنيات التعلم الآلي لتحليل الموسيقى والمساعدة في تحديد الأغاني الناجحة. 

ووفرت تلك التقنية رؤى وتوقعات قيمة، وحققت معدل دقة بنسبة 97% في تحديد الأغاني الناجحة. 

ويقول الباحثون إن استخدام نماذج التعلم الآلي لاختيار الموسيقى المناسبة من شأنه أن "يسهل على خدمات البث ومحطات الراديو اختيار الأغاني التي يُمكن إضافتها لقوائم التشغيل". 
 
كما يحمل هذا التطور وعداً كبيراً لصناعة الموسيقى، مما يمكّن المحترفين من اتخاذ قرارات مستنيرة وإحداث ثورة في طريقة اكتشاف الموسيقى الجديدة والترويج لها. 
 
في الوقت الحالي، تستخدم خدمات البث، المستمعين البشريين والذكاء الاصطناعي لتوقع الأغاني التي ربما سيكون لها صدى عند الجمهور. ومع ذلك، فإن هذا النهج، بمعدل دقة لا يتجاوز 50%، لا يتنبأ بشكل موثوق بما إذا كانت الأغاني ستصبح ناجحة. 
 
غير أن الباحثين في تلك الدراسة، المنشورة في دورية "فرونتير"، استخدموا تقنية شاملة للتعلم الآلي مطبقة على استجابات الدماغ، وتمكنوا من التنبؤ بالأغاني الناجحة بدقة 97%. 
 
فمن خلال تطبيق التعلم الآلي على بيانات الفسيولوجيا العصبية، تمكن نموذج التعلم الآلي من تحديد الأغاني الناجحة بشكل شبه كامل.  

"التنبوء العصبي"

في البداية، جهز الباحثون المشاركين البشريين في الدراسة بأجهزة استشعار لقياس "استجابات المشاركين للأغاني على مستوى الفسيولوجيا العصبية".

واستمع المشاركون إلى نحو 24 أغنية، وسُئلوا عن تفضيلاتهم وبعض البيانات الديموغرافية، وخلال التجربة، قاس العلماء إشارات الدماغ المرتبط بالمزاج ومستويات الطاقة. 
 
ويُطلق على هذا النهج اسم "التنبؤ العصبي" وهو يلتقط النشاط العصبي لمجموعة صغيرة من الأشخاص للتنبؤ بالتأثيرات على مستوى السكان دون الحاجة إلى قياس نشاط الدماغ لمئات الأشخاص. 
 
وتم تسجيل أنماط النشاط العصبي ومعالجتها لاستخراج سمات ذات مغزى، مثل استجابات الدماغ للعناصر الموسيقية المختلفة. 
 
وبعد جمع البيانات، استخدم الباحثون أساليب إحصائية مختلفة لتقييم الدقة التنبؤية للمتغيرات الفسيولوجية العصبية، ثم قاموا بتدريب نموذج التعلم الآلي الذي اختبر خوارزميات مختلفة للوصول إلى أعلى نتائج التنبؤ. 
 

نموذج إحصائي خطي

ووجد الباحثون أن نموذجاً إحصائياً خطياً حدد الأغاني الناجحة بنسبة نجاح بلغت 69%، عندما طبقوا التعلم الآلي على البيانات التي جمعوها، وقفز معدل الأغاني الناجحة التي تم تحديدها بشكل صحيح إلى 97%.

كما قاموا بتطبيق التعلم الآلي على الاستجابات العصبية في الدقيقة الأولى من الأغاني، في هذه الحالة، تم تحديد النتائج بشكل صحيح بنسبة نجاح تبلغ 82%.

وتضمن تحليل الموسيقى باستخدام التعلم الآلي، استخراج ميزات مختلفة من الأغاني، مثل الإيقاع والمفتاح وتعاقب الوتر والكلمات بالإضافة إلى تحليل المشاعر.

وتقول الدراسة إن "نماذج التعلم الآلي يمكن أن توفر أدوات مفيدة لمحترفي صناعة الموسيقى، مثل تحديد أنماط الأغاني الناجحة، وفهم تفضيلات الجمهور، ودعم أنظمة التسويق".

ويقول الباحثون إنه وإذا ما أصبحت تقنيات قياس النشاط العصبي القابلة للارتداء منتشرة في المستقبل "فيمكن إرسال الأغاني المناسبة إلى الجماهير بناءً على فسيولوجيا الأعصاب الخاصة بهم، وبدلاً من أن يُعرض عليهم مئات الخيارات، قد يُمنحون خيارين أو ثلاثة فقط، ما يجعل اختيار الموسيقى التي سيستمتعون بها أسهل وأسرع". 
 
على الرغم من نتائج التنبؤ شبه المثالية للفريق، يقول الباحثون إن لديهم بعض القيود، فقد استخدموا عدداً قليلاً نسبياً من الأغاني في تحليلهم.

علاوة على ذلك، كانت التركيبة السكانية للمشاركين في الدراسة متنوعة بشكل معتدل، لكنها لم تشمل أفراداً من مجموعات عرقية وعمرية معينة. ويُمكن استخدام هذا النهج للتنبؤ بالعديد من أنواع الترفيه الأخرى أيضاً، بما في ذلك الأفلام والبرامج التلفزيونية. 

اقرأ أيضاً: