Streamingtjenesterne har rigtig meget magt, når det kommer til at få udbredt din musik. Det er ikke nok at uploade dine udgivelser på tjenesterne – lytterne skal også opdage dem blandt +50 millioner andre numre, og konkurrencen er enorm.

(Figur 1: Netværksdiagram over kunstnere på den danske Album top 100, samt ’similar artist’ i to led. I alt 9.050 solister og bands)

Som forbruger overlader vi i stigende grad arbejdet med at navigere i musikkataloget til streamingtjenesterne ’personlige’ anbefalinger – en algoritme skabt til at finde netop din smag.
I denne artikel vil vi undersøge hvordan streamingtjenesternes anbefalingsalgoritmer fungerer og påvirker hvordan brugerne opdager ny musik.

Artiklen tager udgangspunkt i Rasmus Rex Pedersens studie: ”Når maskiner kuraterer: Hvad anbefalingsalgoritmer fortæller os om menneskers smag.”

Du kender det sikkert: du har sat din yndlingsplayliste til at spille på Spotify, og uden at du har lagt mærke til det, er playlisten sluttet, og musikken er fortsat. Det går op for dig, at du ikke rigtigt har registreret overgangen, for den musik der nu spiller er godt nok ikke på din playliste, men den passer fint sammen med det du oprindeligt valgte at lytte til.

Det er en algoritme der ud fra dine lyttepræferencer på den specifikke playliste, finder anden ”lignende” musik til din nydelse.

Hvordan fungerer en algoritme?

Rasmus Rex definerer en algoritme som værende et sæt af regler eller handlinger, som kan bruges til at løse en bestemt type problem. Den tager et input, gennemfører de angivne handlinger, og producerer et output.

Anbefalingsalgoritmer er dog væsentligt mere avancerede end dette umiddelbart lyder. De inkluderer mange faktorer som input:

• Analyse af indhold (fx længde, tempo, toneart, taktart, timbre, eller fagfolks analyse af et musiknummer)
• Metadata om indholdet (fx medvirkende, sangskrivere, producer, pladeselskab, mv.)
• Data om brugerens præferencer (fx karaktergivning og informationer om tidligere lyttet musik)
• Situationsbestemmelse (fx hvad tid på dagen? Hvilken ugedag? Hvad tid på året? Hvor befinder brugeren sig? Hvilken type af enhed tilgår de tjenesten med?)

Algoritmerne tager udgangspunkt i disse input, og bruger dem som udgangspunkt for en beregning af sandsynligheden for at en bestemt sang eller et album vil matche din smag og dine behov netop nu. Anbefalingerne er med andre ord resultatet af et statistisk baseret forsøg på at forudsige, hvad du som bruger gerne vil have.

Karakteren og kvaliteten af de data, som danner baggrund for anbefalingerne, er afgørende for hvilket output algoritmen producerer. Denne statistiske baserede tilgang til anbefaling udgør et væsentligt brud med opfattelser af kunstnerisk kvalitet og relevans.

Hvad er en god anbefaling?

Algoritmerne forsøger ikke at forstå kvalitet, relevans og smag; de analyserer indirekte indikationer på kvalitet, relevans og smag, og de gør det ud fra pragmatisk udvalgt data, som betoner nemt målbare og kvantificerbare faktorer. På den måde adskiller de sig fra den menneskelige tilgang til anbefalinger, som baserer sig i langt højere grad på empati.

Når jeg anbefaler kunst og kultur til venner eller familie, forsøger jeg at sætte mig i deres sted – at forstå deres smag og hvad de skal bruge anbefalingen til. Men jeg trækker også på min egen oplevelse af de kulturprodukter, som jeg anbefaler. Når jeg anbefaler noget musik, investerer jeg samtidigt noget af mig selv i anbefalingen. Jeg angiver både, at jeg regner med at anbefalingen er relevant, men jeg angiver også at jeg selv har haft en god oplevelse med netop denne musik, og min egen forståelse af kvalitet er derfor indlejret i anbefalingen.

Når algoritmer anbefaler på baggrund af statistiske analyser, betyder det at de prioriterer relativ sikkerhed for at anbefalingen opleves som relevant. Konsekvensen er at der sker en nedprioritering af anbefalinger, som bryder med eksisterende mønstre og konventioner. Det er sværere at forudsige hvordan folk vil reagere på noget der er originalt og nyskabende, også selvom det potentielt netop er det, som giver de største reaktioner. Omvendt forholder det sig ofte med menneskelige anbefalinger.

Jeg tager gerne en chance med at anbefale en film, som jeg ved kommer til at gøre et stort indtryk – også selvom jeg er usikker på om dette indtryk kommer til at være positivt eller negativt.

På den måde adskiller maskiner og mennesker sig i forhold til hvilke rationaler, der ligger bag anbefalingerne. Begge søger at formidle gode oplevelser til modtageren, men definitionen på hvad der konstituerer en god oplevelse er radikalt forskellig.

Indtil videre er maskinernes algoritmiske anbefalinger kun én af flere mulige måder at skabe og formidle kulturanbefalinger. De fleste tjenester benytter sig af redaktionelt indhold (div. playlister) parallelt med de automatisk genererede anbefalinger, og Spotify eksperimenterer i skrivende stund med hvad de kalder ’algotorial playlists’ (sammensat af ’algorithmic’ og ’editorial’) – hvor algoritmer og menneskelige redaktører samarbejder om at kuratere tjenestens playlister.

Hvad betyder anbefalingsalgoritmerne for dig og din musik?

Algoritmernes forståelse af kvalitetskriterier, må siges at give forrang til kriterier der nemt kan måles og kvantificeres. Desuden har algoritmer en tendens til at reproducere – og til tider forstærke – bias som de finder i deres datamateriale. Udviklere hos Spotify eksempelvis har påpeget at algoritmerne bag den populære Discover Weekly playliste inkluderer mindre musik fra kvindelige musikere (som i forvejen er underrepræsenterede) end hvis musikken er udvalgt af mennesker.

Rasmus egen forskning viser desuden indikationer på, at nationale stereotyper er medvirkende til at reproducere en center-periferi-relation med de anglo-amerikanske lande som centrum for den globale musikkultur, og andre landes musik som nationalt afgrænsede kulturer med langt mere perifere positioner. Det er altså i højere grad amerikansk musik du bliver eksponeret for, når du får genrebaserede anbefalinger.

Som et eksempel på dette kan du i figur 1 se en netværksvisualisering af hvordan Spotifys algoritmer forstår ligheder mellem musikere. Kunstnerne grupperer sig i store træk efter musikalsk genre, men klyngen yderst til højre rummer stort set alle de danske musikere – en indikation på at algoritmerne lægger større vægt på geografi end musikalske kvaliteter når de finder ligheder.

Det er derfor meget svært som dansk artist at blive ”opdaget” udenfor landets grænser ved hjælp af streamingtjenesternes anbefalingsalgoritmer. Samtidig bliver du sat i bås med vidt forskellige danske artister rent genremæssigt, sådan som algoritmen fungerer i dag.

Du er dog heldigere stillet hvis du spiller mere nicheorienteret musik. Enkelte genrer er nemlig mindre tydeligt nationale i den måde Spotify opfatter ligheder. Undergenrer indenfor fx jazz og elektronisk musik, udkrystalliserer sig fx i nogen grad i netværket uden tydelige nationale træk.

Hvis du spiller musik indenfor de mere brede genrer, så er det noget sværere at komme ud over landets grænser via anbefalinger. I Spotify’s system er det algoritmer, som vurderer ligheden med andre artister, og man har dermed ikke direkte mulighed for at påvirke hvem man bliver koblet med. Den eneste lille mulighed er ved at tænke over hvordan algoritmerne arbejder med at forstå ens musik.

Hvis man eksempelvis i starten kun har danske lyttere, og kun bliver anmeldt af danske medier/blogs er der større sandsynlighed for at algoritmerne ser dette som et udtryk for at éns musik er mindre relevant udenfor landets grænser.

Det bliver mere og mere klart at playlister er ultimativt vigtige for eksponeringen af netop din musik på streamingtjenesterne. Playlister bliver kurateret af enten brugere eller redaktionelt på den enkelte streamingtjeneste, og der kan være fra én til millioner af brugere der følger den specifikke playliste.

Artiklen er først publiceret i Mer’ Monitor! #43 – læs det her. Vi undersøger playliste-kulturen i næste udgave af Mer’ Monitor!, der udkommer i oktober 2020.

Rasmus Rex Pedersen: Adjunkt, Roskilde Universitet. Forsker i digitaliseringens konsekvenser i musikbranchen.