Por que uma música vira hit? A ciência responde

Tem uma música, da banda de rock Nirvana, que você pode nunca ter ouvido falar, mas que, ironicamente, descreve o motivo de você ter ouvido outra música da banda, “Smells Like Teen Spirit”. Essa você, provavelmente, conhece, já que foi uma das músicas mais tocadas do rádio, no início da década de 1990. Em suma, a música se tornou um clássico do rock, sendo muito escutada até os dias de hoje.

A música se chama “Verse Chorus Verse” e segue uma estrutura de música a qual recebeu o nome. Essa mesma estrutura, que forma a maioria das músicas pop da atualidade, tais como “Old Town Road”. Mas o que a música do Nirvana tem a ver com os hits da atualidade? Algo que a maioria das músicas de sucesso tem. Não é por acaso que todas as músicas, que ficam nos topos de paradas musicais, soam parecidas. Isso é porque elas seguem uma mesma estrutura de, literalmente, verso, refrão, verso. Pensando nisso, dois estudantes, que também eram pesquisadores da Universidade de São Francisco, decidiram confirmar isso na prática. Para isso, eles usaram dados do Spotify para analisar as músicas mais bombadas do momento e identificar o que as tornam um hit.

A pesquisa

Utilizando a Application Programming Interface (API), do aplicativo de streaming de música, os pesquisadores criaram três modelos de aprendizado de máquina. Assim, eles poderiam prever se uma música pop viria a se tornar um sucesso ou um fracasso.

“Nosso objetivo era verificar se as músicas de sucesso tinham características semelhantes. E se sim, se essas características poderiam ser usadas para prever quais músicas seriam atingidas no futuro”, disse Kai Middlebrook, um dos pesquisadores.

Ele e seu colega pesquisador, Kian Sheik, treinaram os modelos a partir da análise do Spotify. Assim, eles concentraram os resultados em recursos específicos das músicas. Tais como ritmo, valência (quão positiva ou negativa a música soa aos ouvidos), acústica de energia, dançabilidade e sonoridade. Depois de definir esses parâmetros, os dois criaram três modelos de previsão do sucesso de uma música.

O primeiro, chamado de regressão logística, consiste em classificar a música com um rótulo de um ou zero. O um indica que a música será um sucesso. O zero corresponde a um fracasso musical. Nesse modelo, cada recurso da música recebe uma nota. Uma espécie de pontuação, que será usada para prever se a música será, ou não, um sucesso.

Já a arquitetura florestal aleatória usa árvores de decisão para decompor os dados, através de perguntas de sim ou não. A desvantagem desse modelo é que ele é propenso a reajustar os dados. Ou seja, ele é capaz de memorizar os dados de treinamento, o ajustando de forma muito semelhante. Para resolver esse problema, Middlebrook e Sheik criaram uma árvore treinada em um subconjunto diferente de dados, de treinamento e um subconjunto diferente dos recursos da música.

Por fim, se tem a rede neural, uma arquitetura que usa uma camada oculta, com 10 filtros, para aprender com os dados de cada música.

Sucesso ou fracasso?

Independentemente do modelo usado, os pesquisadores validaram os resultados com dados históricos da API da Billboard, para comprovar se a música já apareceu, alguma vez, no Hot 100 da Billboard. Está é a principal parada de músicas dos Estados Unidos.

Middlebrook e Sheik descobriram que o primeiro modelo tinha a maior taxa de acertos, chegando a 99,53%. No entanto, o modelo de floresta aleatória teve a melhor taxa de precisão de 88%.

Para Middlebrook, as gravadores poderiam ter maiores taxas de precisão métrica, se utilizassem esses modelos antes de lançar as músicas. Isso porque, obviamente, um modelo de alta precisão significa correr menos riscos, o que geraria uma decisão comercial muito mais assertiva.

“As gravadoras têm recursos limitados”, explicou Middlebrook. “Se eles derramarem esses recursos em uma música que o modelo prevê ser um sucesso e essa música nunca se tornar um, a empresa poderá perder muito dinheiro. Portanto, se uma gravadora quiser correr um pouco mais de risco com a possibilidade de liberar mais registros de ocorrências, pode optar por usar nosso modelo de floresta aleatória. Por outro lado, se uma gravadora quiser correr menos riscos enquanto ainda lança alguns hits, deve usar nosso modelo de regressão logística”.

Enfim, os dois pesquisadores constataram que é sim possível prever, se uma música será um hit, com base no seu áudio. E você, o que achou dessa pesquisa? Conta para a gente nos comentários e compartilhe com os seus amigos.