Online-Empfehlungssysteme werden seit geraumer Zeit von allen größeren Plattformen im Film- oder Musikbereich wie Amazon, Netflix, Spotify, YouTube und anderen genutzt. Dabei wird auf Basis des bisherigen Verhaltens von Nutzern automatisiert entschieden, was ihnen als nächstes angeboten wird. Fragen darüber, welche Verzerrungen dabei zustande kommen können, wenn Algorithmen mehr oder weniger menschliche Entscheidungen übernehmen, beschäftigen die Wissenschaft seit einigen Jahren stark. Ebenso die Frage, wie gut solche Systeme die Wünsche ihrer Nutzer auch tatsächlich vorhersehen und mit ihren Vorschlägen deren Geschmack treffen.
Mainstream: Musik-Algorithmus hat hohe Trefferquote
Dazu analysierte Eva Zangerle vom Institut für Informatik gemeinsam mit Forscher*innen der TU Graz, der Know-Center GmbH in Graz, der Uni Linz sowie mit Kollegen aus den Niederlanden ein Datenset über die Hörgewohnheiten von 4.148 Nutzern der Musik-Streamingplattform Last.fm. Die Hälfte davon bevorzugte vor allem Mainstream-Musik, während sich die andere Hälfte eher abseits davon bewegte. Gerade letztere Gruppe bekomme von derartigen Systemen relativ selten wirklich brauchbare Vorschläge, schreiben die Forscher*innen in einer Publikation im Fachmagazin EPJ Data Science.
Das zeigte sich auch bei der Auswertung der Ergebnisse eines von den Forscher*innen erstellten Computermodells, das aufgrund der vielen verfügbaren Daten darauf schließt, mit welcher Wahrscheinlichkeit Liedvorschläge von vier gängigen KI-Systemen auch auf die jeweiligen Adressaten passen. Am wenigsten „lesbar“ für die KI-Systeme waren dabei jene Hörerinnen und Hörer von Nicht-Mainstream-Musik, die in Richtung härteren Rock und Hip-Hop tendierten. Neben jenen Neigungsgruppen abseits des Mainstreams fand das Team auch eine Gruppe, die vor allem Musik mit akustischen Instrumenten wie Folk hörte, eine weitere Gruppe, die vor allem instrumentale Ambient-Musik hörte, sowie eine Gruppe, die schnellere Electronic-Musik ohne Gesang präferierte.
Unter den Hörern mit alternativerem Zugang zum Musikgenuss entpuppten sich die Hardrocker und Hip-Hopper insgesamt als die Gruppe, die sich genretechnisch am weitesten von ihren Stamm-Präferenzen wegbewegte. Das macht den KI-Systemen auch deren Einschätzung schwer. Im Gegensatz dazu präsentierten sich die „Ambient“-Hörer im Nicht-Mainstream-Bereich als am einfachsten mit neuen Vorschlägen zu beglückende Gruppe.
(red/APA Science)
Links
- Support the underground: characteristics of beyond-mainstream music listeners. Dominik Kowald, Peter Muellner, Eva Zangerle, Christine Bauer, Markus Schedl & Elisabeth Lex. EPJ Data Science 10, 14 (2021)
- Institut für Informatik