La réponse de votre corps à la musique peut-elle prédire les chansons à succès ? Une nouvelle étude sur l’IA prétend que c’est possible

Pourquoi une chanson monte-t-elle en tête des charts alors qu’une autre chute ? L’anatomie d’un hit reste un mystère tenace que les chercheurs et l’industrie musicale dans son ensemble aspirent à résoudre. Une nouvelle étude suggère que le secret pour distinguer un hit réside dans le cerveau des auditeurs et que l’intelligence artificielle peut analyser les signaux physiologiques pour révéler ce secret. Mais d’autres chercheurs de la «science des chansons à succès» ne sont pas encore prêts à déclarer victoire.

Des chercheurs de la Claremont Graduate University ont utilisé un appareil portable, semblable à une montre intelligente, pour suivre les réponses cardiaques des personnes écoutant de la musique. Ils ont utilisé un algorithme pour convertir ces données en ce qu’ils disent être un indicateur de l’activité neuronale. Le moniteur s’est concentré sur les réactions associées à l’attention et à l’émotion. Un modèle d’apprentissage automatique formé sur ces données a ensuite été en mesure de classer si une chanson était un succès ou un flop avec une précision de 97 %. La découverte a été publiée dans Frontières de l’intelligence artificielle plus tôt ce mois-ci.

Cette étude est la dernière tentative, et apparemment la plus réussie, de résoudre le «problème de la science des chansons à succès», vieux de plusieurs décennies, qui suggère que des méthodes automatisées telles que les logiciels d’apprentissage automatique peuvent anticiper si une chanson deviendra un succès avant sa sortie. Certains commentateurs ont suggéré que cette technologie pourrait réduire les coûts de production musicale, organiser des listes de lecture publiques et même rendre obsolètes les juges des émissions de talents télévisés. La prétendue précision quasi parfaite du nouveau modèle pour prédire la popularité des chansons fait miroiter la possibilité alléchante de transformer le processus de création des artistes et le processus de distribution des services de streaming. Mais l’étude soulève également des inquiétudes quant à la fiabilité et aux implications éthiques de la fusion de l’intelligence artificielle et des données cérébrales.

« L’étude pourrait être révolutionnaire, mais seulement si elle est répliquée et généralisable. De nombreux biais peuvent influencer une expérience d’apprentissage automatique, en particulier celle qui tente de prédire les préférences humaines », explique Hoda Khalil, scientifique des données à l’Université Carleton en Ontario, qui a fait des recherches sur la science des chansons à succès mais n’est pas affiliée à l’étude. « Et même si nous avons suffisamment de preuves statistiques pour généraliser, nous devons considérer comment ce modèle pourrait être mal utilisé. La technologie ne peut pas dépasser les considérations éthiques. »

Jusqu’à présent, déterminer quelles qualités relient les chansons populaires a été plus une question d’alchimie que de science. Les experts de l’industrie musicale se sont traditionnellement appuyés sur de grandes bases de données pour analyser les aspects lyriques et acoustiques des chansons à succès, y compris leur tempo, leur caractère explicite et leur dansabilité. Mais cette méthode de prédiction n’a fonctionné que légèrement mieux qu’un tirage au sort aléatoire.

En 2011, des ingénieurs en apprentissage automatique de l’Université de Bristol en Angleterre ont développé un “frapper l’équation potentielle” qui a analysé 23 caractéristiques de chansons pour déterminer la popularité d’une chanson. l’équation a pu classer un hit avec un taux de précision de 60 %. Khalil et ses collègues ont également analysé les données de plus de 600 000 chansons et n’ont trouvé aucune corrélation significative entre diverses caractéristiques acoustiques et le nombre de semaines pendant lesquelles une chanson est restée sur les palmarès Billboard Hot 100 ou Spotify Top 50. Même l’entrepreneur qui a inventé le terme «science de la chanson à succès», Mike McCready, a ensuite été examiné par des chercheurs qui y ont déterminé n’était tout simplement pas assez scientifique à l’époque pour étayer sa théorie.

Une nouvelle approche était attendue depuis longtemps, déclare Paul Zak, neuroéconomiste à la Claremont Graduate University et auteur principal de la nouvelle étude. Plutôt que de se concentrer sur les chansons elles-mêmes, son équipe a cherché à explorer comment les humains répondre pour eux. « La connexion semblait presque trop simple. Les chansons sont conçues pour créer une expérience émotionnelle pour les gens, et ces émotions viennent du cerveau », explique Zak.

Lui et son équipe ont équipé 33 participants de capteurs cardiaques portables, qui utilisent des ondes lumineuses qui pénètrent dans la peau pour surveiller les changements dans le flux sanguin, de la même manière que les montres intelligentes et les trackers de fitness traditionnels détectent la fréquence cardiaque. Les participants ont écouté 24 chansons, allant du méga tube « Dance Monkey », de Tones and I, au flop commercial « Dekario (Pain) », de NLE Choppa. Les données de fréquence cardiaque des participants ont ensuite été transmises à la plate-forme commerciale Immersion Neuroscience, qui, selon les chercheurs, convertit de manière algorithmique l’activité cardiaque en une métrique combinée d’attention et de résonance émotionnelle appelée « immersion ». L’équipe affirme que ces signaux d’immersion ont pu prédire les chansons à succès avec une précision modérée, même sans analyse d’apprentissage automatique – les chansons à succès ont induit une plus grande immersion. En revanche, le classement subjectif des participants quant à leur degré d’appréciation d’une chanson n’était pas un indicateur précis de sa popularité ultime auprès du public.

Zak, qui a cofondé Immersion Neuroscience et en est actuellement le chef de l’immersion, explique la raison d’être de l’utilisation des données cardiaques comme indicateur indirect de la réponse neuronale. Il dit qu’une réponse émotionnelle robuste incite le cerveau à synthétiser l’ocytocine neurochimique “de bien-être”, intensifiant l’activité du nerf vague, qui relie le cerveau, l’intestin et le cœur.

Tout le monde n’est pas d’accord. “L’étude repose sur la mesure neurophysiologique de l’immersion, mais cette mesure nécessite une validation scientifique supplémentaire”, déclare Stefan Koelsch, neuroscientifique à l’Université de Bergen en Norvège et chercheur invité à l’Institut Max Planck pour les sciences cognitives et cérébrales humaines à Leipzig, Allemagne. Koelsch note également que bien que l’étude ait cité plusieurs articles pour soutenir la validité de “l’immersion”, beaucoup d’entre eux ont été co-écrits par Zak, et tous n’ont pas été publiés dans des revues à comité de lecture.

Ce ne serait pas la première fois que des scientifiques utilisent des signaux cérébraux pour prédire la popularité d’une chanson. En 2011, des chercheurs de l’Université Emory ont utilisé l’imagerie par résonance magnétique fonctionnelle (IRMf), qui mesure l’activité cérébrale en détectant les changements dans le flux sanguin, pour prédire le succès commercial ou l’échec des chansons. Ils ont trouvé que réponses faibles dans le noyau accumbens, la région qui régule la façon dont notre cerveau traite la motivation et la récompense, a prédit avec précision 90 % des chansons vendues à moins de 20 000 exemplaires. Mais même si cette technique était bonne pour identifier la musique moins réussie, elle ne pouvait prédire les chansons à succès que 30% du temps.

L’approche IRMf, en plus d’avoir un pouvoir prédictif plus faible, est quelque peu peu pratique. Une séance d’IRMf typique dure au moins 45 minutes et oblige les participants à endurer l’inconfort d’être confinés dans une chambre froide et stérile qui peut rendre certaines personnes claustrophobes. Donc, si une montre intelligente portable et légère peut vraiment mesurer l’activité neuronale d’un individu, elle pourrait révolutionner la façon dont les chercheurs abordent le domaine de la science des chansons à succès.

C’est peut-être aussi trop beau pour être vrai, dit Koelsch. Sur la base de ses recherches antérieures sur le plaisir musical et l’activité cérébrale, il est sceptique non seulement sur l’immersion, mais aussi sur l’idée même que les modèles d’apprentissage automatique peuvent capturer les nuances complexes qui font d’une chanson un succès. Par exemple, en 2019, Koelsch et ses collègues ont interprété leur propre étude du plaisir musical. Il s’agissait d’utiliser l’apprentissage automatique pour déterminer la prévisibilité des accords d’une chanson et des scans IRMf pour étudier comment le cerveau des participants réagissait à ces chansons. Bien que l’étude initiale ait découvert une relation entre la prévisibilité et la réponse émotionnelle, Koelsch n’a depuis pas été en mesure de reproduire ces résultats. « Il est très difficile de trouver des indicateurs fiables même pour les différences les plus grossières entre une musique agréable et désagréable, sans parler des différences subtiles qui font qu’une belle pièce musicale devient un succès », dit-il. “Donc je suis sceptique.” Au moment de la publication, Zak n’a pas répondu aux demandes de commentaires sur les critiques de sa récente étude.

Si ces résultats récents sont reproduits avec succès, cependant, le nouveau modèle pourrait détenir un immense potentiel commercial. Pour Zak, son utilité principale ne réside pas nécessairement dans la création de nouvelles chansons, mais dans le tri efficace de la vaste gamme de chansons existantes. Selon lui, l’étude est née lorsqu’un service de streaming musical a approché son groupe. Zak dit que l’équipe du streamer avait été submergée par le volume de nouvelles chansons publiées quotidiennement – des dizaines de milliers – et a cherché à identifier les pistes qui résonneraient vraiment avec les auditeurs (sans avoir à les analyser manuellement).

Avec le nouveau modèle, “le bon divertissement pourrait être envoyé au public en fonction de sa neurophysiologie”, a déclaré Zak dans un communiqué de presse pour l’étude. “Au lieu de se voir proposer des centaines de choix, ils pourraient n’en recevoir que deux ou trois, ce qui leur permet de choisir plus facilement et plus rapidement la musique qu’ils apprécieront.” Il envisage la technologie comme un service opt-in où les données sont anonymisées et partagées uniquement si les utilisateurs signent un formulaire de consentement.

“Alors que les appareils portables deviennent moins chers et plus courants, cette technologie peut surveiller passivement votre activité cérébrale et recommander de la musique, des films ou des émissions de télévision en fonction de ces données”, explique Zak. “Qui ne voudrait pas ça?”

Mais même si cette approche fonctionne, la perspective de combiner la lecture de l’esprit et l’apprentissage automatique pour prédire les chansons à succès reste semée d’embûches éthiques. “Si nous entraînons un modèle d’apprentissage automatique pour comprendre comment différents types de musique influencent l’activité cérébrale, ne pourrait-il pas être facilement exploité pour manipuler les émotions des gens ?” dit Khalil. Elle souligne que s’appuyer uniquement sur une approche opt-in pour de tels services échoue souvent à protéger les utilisateurs contre les atteintes à la vie privée. “De nombreux utilisateurs acceptent simplement les termes et conditions sans même les lire”, déclare Khalil. “Cela ouvre la porte au partage et à l’abus involontaires de données.”

Nos chansons préférées peuvent ne pas sembler être des données intimes et personnelles, mais elles peuvent offrir une fenêtre sur les humeurs, les goûts et les habitudes de quelqu’un. Et lorsque ces détails sont associés à des données personnalisées sur l’activité cérébrale, nous sommes obligés de considérer la quantité d’informations que nous sommes prêts à abandonner pour la liste de lecture parfaite.