به نقل از دیجیکالا:
آهنگ‌های پاپ امروزی شادتر یا غم‌انگیزتر از آنچه هستند که ۵۰ سال پیش بوده‌اند؟ در سال‌های اخیر، در دسترس بودن مجموعه بزرگ داده‌های دیجیتال به صورت آنلاین و سهولت نسبی پردازش آن‌ها این امکان را به ما داده که بتوانیم پاسخ‌های دقیق و آگاهانه‌ای به سؤالاتی از این قبیل بدهیم. راه ساده اندازه‌گیری محتوای احساسی یک متن، شمارش تعداد کلمات احساسی آن است.
باید ببینیم چند بار از کلمات حاوی احساسات منفی مثل درد، نفرت یا غم و چند بار از کلمات مرتبط با احساسات مثبت مثل عشق، شادی یا لذت استفاده شده است. این روش، با توجه به شرایط خاص، هم ساده است و هم بسیار خوب کار می‌کند.
برای مثال، هر چه متن ترانه طولانی‌تر باشد، تخمین مود آن بهتر انجام می‌شود. این تکنیکی است که آن را تحلیل احساسات (sentiment analysis) می‌نامند. تحلیل احساسات اغلب در مورد پست‌های رسانه‌های اجتماعی یا پیام‌های سیاسی معاصر به کار می‌رود. اما می‌توان آن را در بازه‌های زمانی طولانی‌تری مانند چندین دهه مقالات روزنامه‌ها یا قرن‌ها آثار ادبی نیز به کار برد. همین تکنیک را می‌توان برای ترانه‌های آهنگ‌ها هم به کار برد. برای این تحلیل از دو مجموعه داده متفاوت استفاده کرده‌ایم.
یکی شامل آهنگ‌های موجود در جدول پایان سال بیلبورد (Billboard Hot 100) است. این‌ها آهنگ‌هایی هستند که حداقل در ایالات متحده به موفقیت گسترده‌ای دست یافته‌اند. از «I Can’t Get No» رولینگ استونز (Rolling Stones) در سال ۱۹۶۵ تا «Uptown Funk» مارک رونسون (Mark Ronson) در ۲۰۱۵. مجموعه داده‌ی دوم بر اساس ترانه‌هایی است که به طور داوطلبانه در اختیار وب‌سایت Musixmatch قرار گرفته است.
آهنگ‌های پاپ واقعا غمگین شده‌اند
با این مجموعه داده توانستیم ترانه‌های بیش از ۱۵۰هزار آهنگ انگلیسی زبان را تجزیه و تحلیل کنیم. این‌ها شامل نمونه‌های جهانی می‌شوند و بنابراین نمونه‌ی آماری وسیع‌تر و متنوع‌تری را ارائه می‌دهند. در این نمونه هم همان روندهایی را یافتیم که در مجموعه داده‌های بیلبورد یافته بودیم. بنابراین می‌توانیم مطمئن باشیم که می‌توان نتیجه را تعمیم داد.
حالا می‌توانیم بگوییم آهنگ‌های محبوب انگلیسی زبان منفی‌تر شده‌اند. استفاده از کلمات مرتبط با احساسات منفی بیش از یک سوم افزایش یافته است.
بیایید مجموعه داده بیلبورد را مثال بزنیم. اگر به طور میانگین هر آهنگ را شامل ۳۰۰ کلمه فرض کنیم، هر سال ۳۰ هزار کلمه در ترانه‌های ۱۰۰ آهنگ برتر به کار می‌رود. در سال ۱۹۶۵ حدود ۴۵۰ کلمه با احساسات منفی همراه بوده، در حالی که در سال ۲۰۱۵ تعداد آن‌ها بالای ۷۰۰ بوده است.
در همین حال، کلمات مرتبط با احساسات مثبت در همان دوره زمانی کاهش یافته است. بیش از ۱۷۵۰ کلمه با احساسات مثبت در آهنگ‌های سال ۱۹۶۵ وجود داشت و تنها در حدود ۱۱۵۰ کلمه در سال ۲۰۱۵. توجه کنید که همیشه کلمات مرتبط با احساسات مثبت بیشتر از کلمات مرتبط با احساسات منفی هستند.
این یک ویژگی جهانی زبان انسانی است که به عنوان اصل پولیانا (Pollyanna principle) نیز شناخته می‌شود و انتظار نداریم که برعکس شود. اما آنچه اهمیت دارد، جهت روندهاست. حتی وقتی تک‌واژه‌ها را بررسی می‌کنیم،
این تغییر را می‌توان دید. برای مثال، استفاده از کلمه‌ی «عشق» در ۵۰ سال عملاً به نصف کاهش یافته و از حدود ۴۰۰ بار به ۲۰۰ بار رسیده است.
برعکس، کلمه‌ی «نفرت» که تا دهه ۱۹۹۰ در هیچ یک از ۱۰۰ آهنگ برتر ذکر نشده بود، اکنون بین ۲۰ تا ۳۰ بار در سال استفاده می‌شود.
نتایج ما با سایر تحلیل‌های مستقل درباره حال و هوای آهنگ‌ها، که برخی از روش‌های کاملاً متفاوتی استفاده کرده‌اند و بر سایر ویژگی‌های آهنگ‌ها متمرکز شده‌اند، همخوانی دارد.
به عنوان مثال، محققان مجموعه داده‌ای از ۵۰۰هزار آهنگ منتشر شده در بریتانیا را بین سال‌های ۱۹۸۵ و ۲۰۱۵ تجزیه و تحلیل کردند و کاهش مشابهی را در تعریف «شادی» و «نور» به همراه افزایش جزئی در «غم» مشاهده کردند. این نتایج ناشی از الگوریتم‌هایی هستند که ویژگی‌های آکوستیک سطح پایین، مانند سرعت یا تونالیته را تجزیه و تحلیل می‌کنند.
تمپو و تونالیته ۱۰۰ آهنگ برتر بیلبورد نیز مورد بررسی قرار گرفت. آهنگ‌های بیلبورد کندتر شده‌اند و تونالیته‌های مینور بیشتر شده است. تونالیته‌های مینور نسبت به تونالیته‌های ماژور غمگین‌تر تلقی می‌شوند. می‌توانید با گوش دادن به هر یک از نمونه‌های یوتیوب از آهنگ‌هایی که به صورت دیجیتالی از ماژور به مینور یا بالعکس تغییر یافته‌اند، این را برای خودتان امتحان کنید و ببینید چه حسی دارد.
اینجا چه خبر است؟
کشف و توصیف روندها مهم و رضایت‌بخش است، اما همچنین باید سعی کنیم آن‌ها را بفهمیم و توضیح دهیم. به عبارت دیگر، کلان‌داده به نظریه‌ی بزرگ نیاز دارد.
یکی از این نظریه‌های بزرگ، «تکامل فرهنگی» است. همانطور که از نام آن پیداست، این نظریه تصریح می‌کند که فرهنگ در طول زمان تا حدودی با پیروی از همان اصول انتخاب طبیعی داروینی تکامل می‌یابد. یعنی اگر تنوع، انتخاب و بازتولید وجود داشته باشد، می‌توانیم انتظار داشته باشیم که صفات فرهنگی موفق‌تر در جمعیت تثبیت و سایرین منقرض شوند.
منظور ما از فرهنگ، هر صفتی است که از طرق اجتماعی منتقل می‌شود و نه ژنتیکی. به عنوان مثال می‌توان به زبانی که بسته به محل تولدمان به آن صحبت می‌کنیم، دستورالعمل‌هایی که هنگام آشپزی استفاده می‌کنیم و موسیقی که از آن لذت می‌بریم، اشاره کرد. این ویژگی‌ها به صورت اجتماعی منتقل می‌شوند. به این صورت که یک فرد آن‌ها را از مشاهده و تقلید از افراد دیگر می‌آموزد. در مقابل رنگ مو و رنگ چشم که به طور ژنتیکی از والدین به فرزندان منتقل می‌شود.
این واقعیت که بسیاری از رفتارها به شکل اجتماعی آموخته می‌شوند، چندان تعجب‌آور نیست. با این حال، برای اینکه یادگیری اجتماعی انطباقی باشد، یعنی برای اینکه احتمال زنده ماندن فرد را افزایش دهد، باید انتخابی باشد.
باید چکار کنیم؟
بهتر است از یک بزرگسال که آشپزی خوب بلد است آشپزی یاد بگیرید تا از خواهر و برادری که خودشان هنوز در حال یادگیری‌اند. کپی کردن رفتار افراد موفق به زبان تکامل فرهنگی «انتقال سوگیری موفقیت» (success-biased transmission) نامیده می‌شود.
بسیاری از سوگیری‌های یادگیری (learning biase) دیگر نیز وجود دارند، مانند سوگیری انطباق (conformity bias)، سوگیری پرستیژ (prestige bias) یا سوگیری محتوا (content bias). سوگیری‌های یادگیری برای درک بسیاری از ویژگی‌های فرهنگی در جمعیت حیوانات انسانی و غیرانسانی در طول سال‌ها مورد استفاده قرار گرفته‌اند و راهی مفید برای درک الگوهای فرهنگی پیچیده هستند.
برای اینکه بفهمیم چرا متن ترانه‌ها با گذشت زمان منفی شده‌اند از نظریه‌ی تکامل فرهنگی استفاده کردیم تا ببینیم آیا می‌توان این الگو را از طریق سوگیری‌های یادگیری اجتماعی توضیح داد یا نه. ترانه ۱۰ آهنگ برتر چند سال گذشته را با سوگیری موفقیت بررسی کردیم که ببینیم آیا در کلمات منفی رشد داشتند یا خیر. به عبارت دیگر، آیا ترانه‌سراها عمدتاً تحت‌تأثیر محتوای آهنگ‌های موفق قبلی بودند؟ به همین ترتیب، سوگیری پرستیژ با بررسی اینکه آیا آهنگ‌های هنرمندان معتبر چند سال قبل دارای اشعار منفی بیشتری هستند، آزمایش شد.
هنرمندان معتبر کسانی هستند که بارهای بسیاری در نمودارهای بیلبورد ظاهر شده‌اند. مانند مدونا که ۳۶ آهنگ در بیلبورد ۱۰۰ آهنگ برتر دارد. سوگیری محتوا اینطور بررسی شد که آهنگ‌های با ترانه منفی آیا در چارت‌ها جایگاه بهتری پیدا می‌کنند یا نه. اگر نمودارها اینطور بود، نشان می‌داد که چیزی در محتوای اشعار منفی وجود دارد که آهنگ‌ها را جذاب‌تر و در نتیجه محبوب‌تر می‌کند.
اگرچه شواهد کوچکی برای سوگیری موفقیت و پرستیژ در مجموعه داده‌ها یافتیم، سوگیری محتوا قابل اعتمادترین نتیجه را در بین این سه تست در توضیح افزایش اشعار منفی داشت. این نتیجه با یافته‌های دیگر در تکامل فرهنگی سازگار است که در آن‌ها به نظر می‌رسد اطلاعات منفی بیشتر از اطلاعات خنثی یا مثبت به خاطر سپرده شده و منتقل می‌شوند.
با این حال، همچنین دریافتیم که گنجاندن «انتقال بی‌طرفانه» (Unbiased transmission) در مدل‌های تحلیلی ما تأثیر موفقیت و پرستیژ را تا حد زیادی کاهش می‌دهد و به نظر می‌رسد بیشترین وزن را در توضیح الگوها دارد. در اینجا می‌توان انتقال بی‌طرفانه را شیوه‌ای مشابه جهش ژنتیکی (genetic drift) در نظر گرفت که در آن به نظر می‌رسد صفات از طریق نوسانات تصادفی و در غیاب فشار انتخاب به سمت تثبیت می‌روند. این روند محبوبیت سایر ویژگی‌های فرهنگی، از تزیینات سفال‌های نوسنگی گرفته تا نام‌های معاصر نوزادان و نژادهای سگ را توضیح می‌دهد.
نکته‌ی مهم این است که یافتن شواهدی مبنی بر انتقال بی‌طرفانه به این معنا نیست که الگوها هیچ توضیحی ندارند یا عمدتا تصادفی هستند، بلکه به احتمال زیاد فرآیندهای زیادی وجود دارد که الگو را توضیح می‌دهند و هیچ یک از فرآیندهایی که بررسی کردیم به اندازه‌ی کافی قوی نیستند که بر الگوها مسلط شوند. ظهور اشعار منفی در آهنگ‌های محبوب انگلیسی زبان یک پدیده‌ی جذاب است.
فهمیدیم که این می‌تواند به دلیل ترجیح گسترده محتوای منفی به همراه دلایل دیگری باشد که هنوز کشف نشده‌اند. با توجه به این ترجیح، آنچه باید توضیح دهیم این است که چرا اشعار آهنگ‌های پاپ قبل از دهه ۱۹۸۰ مثبت‌تر از امروز بودند. ممکن است صنعت ضبط مرکزیت بیشتری داشته و آهنگ‌هایی که تولید و فروخته می‌شده را کنترل می‌کرده.
کانال‌های توزیع شخصی‌سازی‌شده‌تر از نوار کاست‌های خالی گرفته تا الگوریتم‌های Spotify می‌تواند اثر مشابهی داشته باشد. سایر تغییرات اجتماعی می‌توانند به مقبولیت و استقبال بیشتر از بیان صریح احساسات منفی کمک کنند. همه‌ی این فرضیه‌ها را می‌توان با استفاده از داده‌های شرح داده شده در اینجا به عنوان نقطه شروع آزمایش کرد. فهمیدن اینکه کارهای بیشتری برای درک بهتر الگو وجود دارد، همیشه نشانه خوبی در علم است. فضایی را برای تنظیم دقیق تئوری‌ها، بهبود روش‌های تجزیه و تحلیل، یا گاهی اوقات بازگشت به ابتدا برای پرسیدن سؤالات مختلف باقی می‌گذارد.
منبع: bigthink