آیا آهنگ های پاپ نسبت به گذشته غمگین تر شده اند؟ - مجله خبری تیرول

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 می نماید.

برای مثال، هر چه متن ترانه طولانی تر باشد، تخمین مود آن بهتر انجام می گردد. این تکنیکی است که آن را تحلیل احساسات (sentiment analysis) می نامند. تحلیل احساسات اغلب در خصوص پست های رسانه های اجتماعی یا پیغام های سیاسی معاصر به کار می رود. اما می توان آن را در بازه های زمانی طولانی تری مانند چندین دهه مقالات روزنامه ها یا قرن ها آثار ادبی نیز به کار برد. همین تکنیک را می توان برای ترانه های آهنگ ها هم به کار برد. برای این تحلیل از دو مجموعه داده متفاوت استفاده نموده ایم.

یکی شامل آهنگ های موجود در جدول انتها سال بیلبورد (Billboard Hot 100) است. این ها آهنگ هایی هستند که حداقل در ایالات متحده به پیروزیت گسترده ای دست یافته اند. از I Cant Get No رولینگ استونز (Rolling Stones) در سال 1965 تا Uptown Funk مارک رونسون (Mark Ronson) در 2015. مجموعه داده دوم بر اساس ترانه هایی است که به طور داوطلبانه در اختیار وب سایت Musixmatch نهاده شده است.

آهنگ های پاپ واقعا غمگین شده اند

با این مجموعه داده توانستیم ترانه های بیش از 150هزار آهنگ انگلیسی زبان را تجزیه و تحلیل کنیم. این ها شامل نمونه های جهانی می شوند و بنابراین نمونه آماری وسیع تر و متنوع تری را ارائه می دهند. در این نمونه هم همان روندهایی را یافتیم که در مجموعه داده های بیلبورد یافته بودیم. بنابراین می توانیم مطمئن باشیم که می توان نتیجه را تعمیم داد.

حالا می توانیم بگوییم آهنگ های محبوب انگلیسی زبان منفی تر شده اند. 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 300 کلمه فرض کنیم، هر سال 30 هزار کلمه در ترانه های 100 آهنگ برتر به کار می رود. در سال 1965 حدود 450 کلمه با احساسات منفی همراه بوده، در حالی که در سال 2015 تعداد آن ها بالای 700 بوده است.

در همین حال، کلمات مرتبط با احساسات مثبت در همان دوره زمانی کاهش یافته است. بیش از 1750 کلمه با احساسات مثبت در آهنگ های سال 1965 وجود داشت و تنها در حدود 1150 کلمه در سال 2015. توجه کنید که همواره 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 می گردد و انتظار نداریم که برعکس گردد. اما آنچه اهمیت دارد، جهت روندهاست. حتی وقتی تک واژه ها را آنالیز می کنیم،

این تغییر را می توان دید. برای مثال، استفاده از کلمه عشق در 50 سال عملاً به نصف کاهش یافته و از حدود 400 بار به 200 بار رسیده است.

برعکس، کلمه نفرت که تا دهه 1990 در هیچ یک از 100 آهنگ برتر ذکر نشده بود، اکنون بین 20 تا 30 بار در سال استفاده می گردد.

نتایج ما با سایر تحلیل های مستقل درباره حال و هوای آهنگ ها، که بعضی از روش های کاملاً متفاوتی استفاده نموده اند و بر سایر ویژگی های آهنگ ها متمرکز شده اند، همخوانی دارد.

به عنوان مثال، محققان مجموعه داده ای از 500هزار آهنگ منتشر شده در بریتانیا را بین سال های 1985 و 2015 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 الگوریتم هایی هستند که ویژگی های آکوستیک سطح پایین، مانند سرعت یا تونالیته را تجزیه و تحلیل می نمایند.

تمپو و تونالیته 100 آهنگ برتر بیلبورد نیز مورد آنالیز نهاده شد. آهنگ های بیلبورد کندتر شده اند و تونالیته های مینور بیشتر شده است. تونالیته های مینور نسبت به تونالیته های ماژور غمگین تر تلقی می شوند. می توانید با گوش دادن به هر یک از نمونه های یوتیوب از آهنگ هایی که به صورت دیجیتالی از ماژور به مینور یا بالعکس تغییر یافته اند، این را برای خودتان امتحان کنید و ببینید چه حسی دارد.

اینجا چه خبر است؟

کشف و توصیف روندها مهم و رضایت بخش است، اما بعلاوه باید سعی کنیم آن ها را بفهمیم و توضیح دهیم. به عبارت دیگر، کلان داده به نظریه بزرگ احتیاج دارد.

یکی از این نظریه های بزرگ، تکامل فرهنگی است. همانطور که از نام آن پیداست، این نظریه تصریح می نماید که فرهنگ در طول زمان تا حدودی با پیروی از همان اصول انتخاب طبیعی داروینی تکامل می یابد. یعنی اگر تنوع، انتخاب و بازفراوری وجود داشته باشد، می توانیم انتظار داشته باشیم که صفات فرهنگی پیروز تر در جمعیت تثبیت و سایرین منقرض شوند.

منظور ما از فرهنگ، هر صفتی است که از طرق اجتماعی منتقل می گردد و نه ژنتیکی. به عنوان مثال می توان به زبانی که بسته به محل تولدمان به آن صحبت می کنیم، دستورالعمل هایی که هنگام آشپزی استفاده می کنیم و موسیقی که از آن لذت می بریم، اشاره نمود. این ویژگی ها به صورت اجتماعی منتقل می شوند. به این صورت که یک فرد آن ها را از مشاهده و تقلید از افراد دیگر می آموزد. در مقابل رنگ مو و رنگ چشم که به طور ژنتیکی از والدین به بچه ها منتقل می گردد.

این واقعیت که بسیاری از رفتارها به شکل اجتماعی آموخته می شوند، چندان تعجب آور 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 یادگیری اند. کپی کردن رفتار افراد پیروز به زبان تکامل فرهنگی انتقال سوگیری پیروزیت (success-biased transmission) نامیده می گردد.

بسیاری از سوگیری های یادگیری (learning biase) دیگر نیز وجود دارند، مانند سوگیری انطباق (conformity bias)، سوگیری پرستیژ (prestige bias) یا سوگیری محتوا (content bias). سوگیری های یادگیری برای درک بسیاری از ویژگی های فرهنگی در جمعیت حیوانات انسانی و غیرانسانی در طول سال ها مورد استفاده نهاده شده اند و راهی مفید برای درک الگوهای فرهنگی پیچیده هستند.

برای اینکه بفهمیم چرا متن ترانه ها با گذشت زمان منفی شده اند از نظریه تکامل فرهنگی استفاده کردیم تا ببینیم آیا می توان این الگو را به وسیله سوگیری های یادگیری اجتماعی توضیح داد یا نه. ترانه 10 آهنگ برتر چند سال گذشته را با سوگیری پیروزیت آنالیز کردیم که ببینیم آیا در کلمات منفی رشد داشتند یا خیر. به عبارت دیگر، آیا ترانه سراها عمدتاً تحت تأثیر محتوای آهنگ های پیروز قبلی بودند؟ به همین ترتیب، سوگیری پرستیژ با آنالیز اینکه آیا آهنگ های هنرمندان معتبر چند سال قبل دارای اشعار منفی بیشتری هستند، آزمایش شد.

هنرمندان معتبر کسانی هستند که بارهای بسیاری در نمودارهای بیلبورد ظاهر شده اند. مانند مدونا که 36 آهنگ در بیلبورد 100 آهنگ برتر دارد. سوگیری محتوا اینطور آنالیز شد که آهنگ های با ترانه منفی آیا در چارت ها جایگاه بهتری پیدا می نمایند یا نه. اگر نمودارها اینطور بود، نشان می داد که چیزی در محتوای اشعار منفی وجود دارد که آهنگ ها را مجذوب کننده تر و در نتیجه محبوب تر می نماید.

اگرچه شواهد کوچکی برای سوگیری پیروزیت و پرستیژ در مجموعه داده ها یافتیم، سوگیری محتوا قابل اعتمادترین نتیجه را در بین این سه تست در توضیح افزایش اشعار منفی داشت. این نتیجه با یافته های دیگر در تکامل فرهنگی سازگار است که در آن ها به نظر می رسد اطلاعات منفی بیشتر از اطلاعات خنثی یا مثبت به خاطر سپرده شده و منتقل می شوند.

با این حال، بعلاوه دریافتیم که گنجاندن انتقال بی طرفانه (Unbiased transmission) در مدل های تحلیلی ما تأثیر پیروزیت و پرستیژ را تا حد زیادی کاهش می دهد و به نظر می رسد بیشترین وزن را در توضیح الگوها دارد. در اینجا می توان انتقال بی طرفانه را شیوه ای مشابه جهش ژنتیکی (genetic drift) در نظر گرفت که در آن به نظر می رسد صفات به وسیله نوسانات تصادفی و در غیاب فشار انتخاب به سمت تثبیت می روند. این روند محبوبیت سایر ویژگی های فرهنگی، از تزیینات سفال های نوسنگی گرفته تا نام های معاصر نوزادان و نژادهای سگ را توضیح می دهد.

نکته مهم این است که یافتن شواهدی مبنی بر انتقال بی طرفانه 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 می دهند و هیچ یک از فرآیندهایی که آنالیز کردیم به میزان کافی قوی نیستند که بر الگوها مسلط شوند. ظهور اشعار منفی در آهنگ های محبوب انگلیسی زبان یک پدیده مجذوب کننده است.

فهمیدیم که این می تواند به علت ترجیح گسترده محتوای منفی به همراه دلایل دیگری باشد که هنوز کشف نشده اند. با توجه به این ترجیح، آنچه باید توضیح دهیم این است که چرا اشعار آهنگ های پاپ قبل از دهه 1980 مثبت تر از امروز بودند. ممکن است صنعت ضبط مرکزیت بیشتری داشته و آهنگ هایی که فراوری و فروخته می شده را کنترل می نموده.

کانال های توزیع شخصی سازی شده تر از نوار کاست های خالی گرفته تا الگوریتم های Spotify می تواند اثر مشابهی داشته باشد. سایر تغییرات اجتماعی می توانند به مقبولیت و استقبال بیشتر از بیان صریح احساسات منفی یاری نمایند. همه این فرضیه ها را می توان با استفاده از داده های توضیح داده شده در اینجا به عنوان نقطه آغاز آزمایش کرد. فهمیدن اینکه کارهای بیشتری برای درک بهتر الگو وجود دارد، همواره نشانه خوبی در علم است. فضایی را برای تنظیم دقیق تئوری ها، بهبود روش های تجزیه و تحلیل، یا گاهی اوقات بازگشت به ابتدا برای پرسیدن سؤالات مختلف باقی می گذارد.

منبع: bigthink