‘Algoritmes die muziek aanbevelen zijn oneerlijk tegenover vrouwelijke artiesten, maar dat kan anders’

Door Christine Bauer & Andrés Ferraro; oorspronkelijk gepubliceerd 30 maart 2021 op The Conversation

Steeds meer mensen luisteren muziek via streaming-apps – begin 2020 waren 400 miljoen mensen op zo’n app geabonneerd. Deze platforms gebruiken algoritmes om muziek aan te bevelen op basis van luistergewoonten. De aanbevolen nummers kunnen worden opgenomen in nieuwe afspeellijsten, of ze kunnen automatisch afgespeeld worden wanneer een andere afspeellijst is afgelopen.

Maar wat algoritmes aanbevelen is niet altijd eerlijk. In een nieuw onderzoek hebben we laten zien dat een veelgebruikt aanbevelingsalgoritme eerder muziek van mannelijke dan van vrouwelijke artiesten kiest. In respons hierop hebben we een simpele manier bedacht om vrouwelijke artiesten meer aandacht te geven.

De vertegenwoordiging van vrouwen en genderminderheden in de muziekindustrie is enorm laag. Ongeveer 23% van de artiesten in de Billboard 100 van 2019 waren vrouwen of genderminderheden. 20% of minder van de geregistreerde componisten en songwriters zijn vrouwen. En 98% van de werken die door grote orkesten worden uitgevoerd zijn van mannelijke componisten.

Deze disbalans is ook aanwezig bij streamingdiensten. Onder de populairste artiesten bevinden zich ook een paar vrouwelijke ’superstars’, maar de meeste vrouwelijke en gemengde artiesten staan lager in de populariteitslijst. Hoewel het probleem niet alleen in de muziekindustrie speelt, spelen online muziekplatforms en hun algoritmes die muziek aanbevelen – de zogenoemde recommenders – een grote rol.

Ons onderzoek

In eerdere onderzoeken werden consumenten al vaak naar hun mening gevraagd, maar de muziekartiesten, degenen die de inhoud van de muziekplatforms leveren, worden zelden betrokken. Wij wilden nu juist de schijnwerpers op de artiesten richten. Op onze vraag naar wat online muziekplatforms eerlijker zou maken, gaven muzikanten aan dat ze het gebrek aan evenwicht tussen mannen en vrouwen een groot probleem vonden. Daarop besloten wij dat nader te bestuderen.

Onze analyse van het luistergedrag van zo’n 330.000 gebruikers over een periode van negen jaar liet een duidelijk beeld zien: slechts 25% van de artiesten waar ooit naar geluisterd werd, was vrouw. Toen we het algoritme testten, ontdekten we dat gemiddeld het eerstvolgende aanbevolen nummer van een man was, samen met de volgende zes. Gebruikers moesten wachten tot nummer zeven of acht om er een van een vrouw te horen.

Uiteindelijk begon het aanbevelingsalgoritme vrouwen hoger in de lijst te plaatsen, zelfs zonder onze interventie.

De lus doorbreken

Als gebruikers naar de aanbevolen nummers luisteren, leert het algoritme hiervan. Zo ontstaat er een feedback-loop. Om deze feedback-loop te doorbreken, bedachten we een simpele aanpak om geleidelijk meer aandacht te geven aan vrouwelijke artiesten. We namen de aanbevelingen die door het basisalgoritme waren berekend en maakten een nieuwe rangschikking door mannelijke artiesten een bepaald aantal posities naar beneden te verplaatsen.

In een computersimulatie onderzochten we hoe onze nieuwe aanbevelingen het luistergedrag van gebruikers op de langere termijn zouden beïnvloeden. Daaruit bleek dat het gedrag van gebruikers daadwerkelijk zou veranderen met behulp van ons nieuwe algoritme: ze zouden meer vrouwelijke artiesten beluisteren dan voorheen. Uiteindelijk begon het aanbevelingsalgoritme ook te leren van deze verandering in gedrag. Het algoritme begon vrouwen hoger in de aanbevolen lijst te plaatsen, zelfs zonder onze interventie. Met andere woorden, we hadden de feedback-loop doorbroken.

Dit laat zien hoe simpel het kan zijn. Onze eenvoudige methode kan de disbalans doorbreken in algoritmes die een grote rol spelen in de manier waarop veel mensen nieuwe muziek en artiesten ontdekken. De volgende stap in het onderzoek is om te bestuderen hoe echte consumenten de veranderingen ervaren die worden geïntroduceerd door onze interventie, en hoe dit hun luistergedrag op de langere termijn beïnvloedt.

Of course, it’s always easier to fix something in theory rather than in practice, but if this effect was similar in the real world, that would be great.

Een andere cruciale stap is om gegevens te verzamelen en gebruiken over een breder spectrum van genderidentiteiten. We zijn ons ervan bewust dat deze binaire geslachtsclassificatie – man óf vrouw – de veelheid aan genderidentiteiten niet weerspiegelt. Het gebrek van data die verder gaat dan de binaire gender-indeling is een grote hindernis, zowel voor wetenschappelijk onderzoek als voor het nemen van maatregelen en het boeken van vooruitgang op maatschappelijk niveau.

Onze simulatie laat duidelijk de voordelen zien van een simpele aanpassing aan aanbevelingsalgoritmes. Maar de verantwoordelijkheid ligt natuurlijk niet alleen bij de aanbieders van muziekplatforms. Initiatieven zoals Keychange en Women in Music zetten zich in voor de minder vertegenwoordigden in de muziekindustrie. De rest van ons moet volgen.

Nu muziekfestivals kritiek krijgen op het gebrek aan vrouwen in hun line-ups, is elke stap naar een evenwichtigere vertegenwoordiging van alle genders een stap in de goede richting.