ปัจจุบันอุตสาหกรรมเพลงกำลังเติบโต มีการเปิดตัวเพลงใหม่ขึ้นหลายหมื่นเพลง จึงเป็นเรื่องยากสำหรับบริการสตรีมมิ่งเพลงและสถานีวิทยุที่จะเพิ่มเพลงที่ผู้ฟังน่าจะชอบลงในเพลย์ลิสต์ของตน โดยปกติแล้วบริการเหล่านี้จะใช้วิธีเลือกเพิ่มเพลงโดยอาศัยรสนิยมของผู้ฟังและ ใช้ AI วิเคราะห์และช่วยเลือกเพลงให้
นักวิจัยสหรัฐฯ จึงพัฒนาโมเดล Machine Learning ที่ใช้กับการตอบสนองของระบบประสาท ของผู้ฟังกลุ่มตัวอย่างที่ถูกวัดคลื่นสมองระหว่างฟังเพลง เพื่อคาดการณ์ว่าเพลงจะฮิตหรือไม่ ด้วยความแม่นยำที่สูงถึง 97% โดยวัดจากเพลงที่มียอดสตรีมมิ่งสูง ซึ่งในอนาคตวิธีนี้อาจใช้คาดการ์ณกับความบันเทิงประเภทอื่นๆได้ เช่น ภาพยนตร์และรายการทีวี
Paul Zak ศาสตราจารย์แห่งมหาวิทยาลัย Claremont Graduate University และผู้นิพนธ์หลักของงานวิจัยที่ตีพิมพ์ใน Frontiers in Artificial Intelligence ได้ทดลองการตอบสนองทางสรีรวิทยา (Physiology) โดยติดตั้งเซ็นเซอร์กับกลุ่มทดลองอายุระหว่าง 18-57 ปี จำนวน 33 คน และให้พวกเขาลองฟังเพลงทั้งหมด 24 เพลง(โดยจำแนกเป็น 13 เพลงฮิตที่มีการสตรีมมิ่งมากกว่า 700,000 ครั้ง และอีก 11 เพลงจะเป็นเพลงที่ไม่ได้รับความนิยม) แล้วสอบถามความชอบของพวกเขาต่อเพลงนั้น ๆ รวมถึงข้อมูลประชากรบางส่วน
วิธีการนี้เรียกว่า “การคาดการณ์ทางประสาท” โดยระบบจะจับกิจกรรมทางระบบประสาทในด้านอารมณ์ และ ระดับพลังงาน ของกลุ่มคนจำนวนน้อยเพื่อคาดการณ์ผลลัพธ์ทางการตลาดและจำนวนการสตรีมเพลงในระดับประชากร
อย่างไรก็ตามวิธีนี้ยังมีข้อบกพร่องบางประการ เช่น จำนวนเพลงที่ใช้วิเคราะห์ค่อนข้างน้อย ข้อมูลประชากรของผู้เข้าร่วมมีความหลากหลายปานกลางแต่กลับไม่มีกลุ่มชาติพันธุ์และกลุ่มอายุบางกลุ่ม
ที่มา: เอกสารงานวิจัย, via Neuroscience News
Topics:
USA
Machine Learning
Neuroscience
Music
Research
อ่านต่อ...
นักวิจัยสหรัฐฯ จึงพัฒนาโมเดล Machine Learning ที่ใช้กับการตอบสนองของระบบประสาท ของผู้ฟังกลุ่มตัวอย่างที่ถูกวัดคลื่นสมองระหว่างฟังเพลง เพื่อคาดการณ์ว่าเพลงจะฮิตหรือไม่ ด้วยความแม่นยำที่สูงถึง 97% โดยวัดจากเพลงที่มียอดสตรีมมิ่งสูง ซึ่งในอนาคตวิธีนี้อาจใช้คาดการ์ณกับความบันเทิงประเภทอื่นๆได้ เช่น ภาพยนตร์และรายการทีวี
Paul Zak ศาสตราจารย์แห่งมหาวิทยาลัย Claremont Graduate University และผู้นิพนธ์หลักของงานวิจัยที่ตีพิมพ์ใน Frontiers in Artificial Intelligence ได้ทดลองการตอบสนองทางสรีรวิทยา (Physiology) โดยติดตั้งเซ็นเซอร์กับกลุ่มทดลองอายุระหว่าง 18-57 ปี จำนวน 33 คน และให้พวกเขาลองฟังเพลงทั้งหมด 24 เพลง(โดยจำแนกเป็น 13 เพลงฮิตที่มีการสตรีมมิ่งมากกว่า 700,000 ครั้ง และอีก 11 เพลงจะเป็นเพลงที่ไม่ได้รับความนิยม) แล้วสอบถามความชอบของพวกเขาต่อเพลงนั้น ๆ รวมถึงข้อมูลประชากรบางส่วน
วิธีการนี้เรียกว่า “การคาดการณ์ทางประสาท” โดยระบบจะจับกิจกรรมทางระบบประสาทในด้านอารมณ์ และ ระดับพลังงาน ของกลุ่มคนจำนวนน้อยเพื่อคาดการณ์ผลลัพธ์ทางการตลาดและจำนวนการสตรีมเพลงในระดับประชากร
อย่างไรก็ตามวิธีนี้ยังมีข้อบกพร่องบางประการ เช่น จำนวนเพลงที่ใช้วิเคราะห์ค่อนข้างน้อย ข้อมูลประชากรของผู้เข้าร่วมมีความหลากหลายปานกลางแต่กลับไม่มีกลุ่มชาติพันธุ์และกลุ่มอายุบางกลุ่ม
ที่มา: เอกสารงานวิจัย, via Neuroscience News
Topics:
USA
Machine Learning
Neuroscience
Music
Research
อ่านต่อ...
