سیناپرس/ به جرات می توان گفت که حتی با وجود تقلبی های قانع کننده که باعث وحشت شرکت های موسیقی شده و انبوهی از فناوری های هوش مصنوعی جدید که علاقه زیادی را به خود جلب می کند، ما هنوز در ابتدای یادگیری هستیم که چگونه عصر یادگیری ماشینی مدرن بر هنر و فرهنگ تأثیر می گذارد.
در جدیدترین اقدام، محققان از فعالیت عصبی ۳۳ نفر که وظیفه گوش دادن به ۲۴ آهنگ را به همراه مدل سازی آماری و یادگیری ماشینی دارند، استفاده کرده اند تا تقریباً به طور کامل پیش بینی کنند که چه آهنگی برای مخاطبان بهتر خواهد بود و چه موسیقی شکست خواهد خورد.

پل زاک (Paul Zak) استاد دانشگاه کلرمونت و نویسنده ارشد این مطالعه، گفت: با استفاده از یادگیری ماشینی در داده‌های عصبی فیزیولوژیک، ما تقریباً می‌ توانیم آهنگ‌های موفق را کاملاً شناسایی کنیم. این که فعالیت عصبی ۳۳ نفر می تواند پیش بینی کند که آیا میلیون ها نفر دیگر به آهنگ های جدید گوش می دهند بسیار شگفت انگیز است.
پس از آزمایش شنیداری، شرکت‌کنندگان یک نظرسنجی درباره آهنگ‌ها تکمیل کردند که شامل جنبه‌هایی مانند توهین‌آمیز بودن آهنگ، شنیده‌های قبلی و اینکه آیا احتمالاً آن را به دوستان توصیه می‌ کنند یا خیر، می شد.
با این حال، کلید این امر پاسخ عصبی فیزیکی به آهنگ ها بود. جمع‌آوری این مجموعه کوچک از داده‌های شرکت‌کنندگان به پیش‌بینی پاسخ‌های کل جمعیت به آهنگ ها منجر شد بدون اینکه نیاز باشد همه مخاطبان را مورد سنجش قرار داد. زاک گفت: سیگنال‌های مغزی که ما جمع ‌آوری کرده ‌ایم، فعالیت یک شبکه مغزی مرتبط با سطح خلق و خو و انرژی را منعکس می ‌کنند.

آنچه محققان دریافتند: این بود که وقتی داده ها از طریق یک مدل آماری خطی پردازش شدند، میزان موفقیت آن برای پیش بینی یک آهنگ ۶۹ درصد بود. وقتی یادگیری ماشین روی مجموعه داده اعمال شد، دقت به ۹۷٫۲ درصد رسید.
زاک گفت: اگر در آینده فناوری‌های علوم اعصاب پوشیدنی، مانند آن‌هایی که برای این مطالعه استفاده کردیم، رایج شوند، می ‌توان سرگرمی‌های مناسب را بر اساس فیزیولوژی عصبی برای مخاطبان ایجاد کرد.
محققان مطمئناً فعالیت خود را به سمت مخاطبان پیش می ‌برند و معتقدند که می‌توان از آن توسط شرکت‌های موسیقی استفاده کرد تا آهنگ‌های جدیدی را که احتمالاً بیشتر موفقیت‌آمیز خواهند بود، شناسایی کرده و شنوندگان را خوشحال کنند.
زاک در پایان گفت: جای تعجب نیست که احتمالاً می توان از این رویکرد برای پیش بینی موفقیت برای بسیاری از انواع سرگرمی های دیگر از جمله فیلم ها و برنامه های تلویزیونی نیز استفاده کرد.
 شرح کامل این تحقیق در مجله تخصصی Frontiers in Artificial Intelligence منتشر شده است.