Jeden Tag werden Tausende von neuen Songs veröffentlicht. Das macht es Streaming-Diensten und Radiosendern schwer zu entscheiden, welche Songs sie ihrer Playlist hinzufügen sollen. Eine Garantie dafür, dass ein bestimmter Song beim Publikum ankommen wird, gibt es nicht. Doch nun haben Forscher:innen eine Technik des maschinellen Lernens getestet, die zu 97 Prozent voraussagen kann, welcher Song ein Hit wird.

„Durch die Anwendung des maschinellen Lernens auf neurophysiologische Daten konnten wir nahezu perfekt Hitsongs identifizieren“, sagte Paul Zak, Professor an der Claremont Graduate University und leitender Autor der in Frontiers in Artificial Intelligence veröffentlichten Studie. „Dass die neuronale Aktivität von 33 Personen vorhersagen kann, ob Millionen von anderen Personen neue Songs hören werden, ist ziemlich erstaunlich. So eine Genauigkeit wurde zuvor noch nie erreicht.“

Doch wie funktioniert das Machine-Learning eigentlich, das die Forscher:innen bei den Probanden der Studie anwenden konnten? Die Teilnehmer:innen wurden mit Sensoren ausgestattet, hörten sich eine Auswahl von 24 Songs an und wurden nach ihren Vorlieben befragt. Während des Experiments wurden die neurophysiologischen Reaktionen der Teilnehmenden auf die Songs gemessen.

„Die von uns gesammelten Gehirnsignale spiegeln die Aktivität eines mit Stimmung und Energiepegel verbundenen Hirnnetzwerks wider“, erklärte Zak. Das Beeindruckende: Basierend auf den Daten weniger Personen konnten die Forscher:innen die Marktergebnisse einschließlich der Anzahl der Song-Streams vorhersagen.

Dieser Ansatz wird Neuroprognose genannt. Er erfasst die neuronale Aktivität einer kleinen Gruppe von Menschen, um Effekte auf Populationsebene vorherzusagen, ohne die Hirnaktivität von Hunderten anderen Menschen messen zu müssen.

Nach der Datensammlung verwendeten die Forscher:innen verschiedene statistische Ansätze, um die Vorhersagegenauigkeit dieser neurophysiologischen Variablen zu bewerten. Das ermöglichte auch einen direkten Vergleich der Modelle. Um die Vorhersagegenauigkeit zu verbessern, wurde ein ML-Modell trainiert, das verschiedene Algorithmen testete, um die besten Vorhersageergebnisse zu erzielen.

Die Wissenschaftler:innen stellten fest, dass ein lineares statistisches Modell Hits mit einer Erfolgsquote von 69 Prozent identifizierte. Als sie Machine-Learning auf die gesammelten Daten anwendeten, stieg die Rate der korrekt identifizierten Hits auf sage und schreibe 97 Prozent.

Meist entscheidet schon die erste Minute eines Songs darüber, ob die Hörer:innen dranbleiben oder umschalten. Deshalb wandten die Forscher:innen Machine-Learning auch auf die neuronalen Reaktionen in der ersten Minute des Songs an. Das Ergebnis: Die Hits wurde mit einer Erfolgsquote von 82 Prozent identifiziert.

„Das bedeutet, dass Streaming-Dienste neue Songs, die sich wahrscheinlich zu Hits entwickeln werden, effizienter erkennen können. Dadurch wird die Arbeit der Streaming-Dienste erleichtert und die Zuhörer:innen werden belohnt“, so Zak.

Der Studienleiter wies aber auch auf Einschränkungen hin. So wurden bei der Studie nur wenige Songs verwendet und nicht alle ethnischen Gruppen sowie Altersgruppen wurden berücksichtigt.

Dennoch glaubt der Forscher, dass die Technik für viele Branchen nützlich sein könnte, auch aufgrund der einfachen Umsetzbarkeit: „Es ist wahrscheinlich, dass dieser Ansatz auch zur Vorhersage von Hits für viele andere Arten von Unterhaltung verwendet werden kann – einschließlich Filme und Fernsehsendungen.“