Neste artigo, a pesquisadora analisa o papel dos sistemas de recomendação. De acordo com a conceituação de Simone Pereira de Sá, esses sistemas são softwares (ou agentes inteligentes) que tentam antecipar os interesses e gostos do consumidor no ambiente digital, o que dará pistas sobre quais novos produtos poderão ser recomendados para esse consumidor.
Para Simone, a influência exercida pelos sistemas de recomendação tem desempenhado uma função de mediador de crescente relevância. Sites como Last.fm, Pandora, Jango são exemplos utilizados pela autora para reforçar o caráter de uma forma de distribuição musical personalizada. Assim, o sistema desempenha um papel antes delegado às rádios, revistas especializadas e aos críticos musicais.
Os softwares, que primam pela interatividade e customização, privilegiam a escuta mais personalizada e segmentada, onde a seleção dá a tônica da dinâmica. Dessa forma, o usuário tem contato com o que realmente gostaria de ouvir e o artista, músico ou produtor terá seu trabalho apresentado ao público certo.
A pesquisadora expõe o seu enfoque sobre o estudo, contrastando com outros, e reafirma sua percepção de que esse tipo de sistema é um mediador entre os diversos agentes do campo musical, um antecipador de tendências. Simone reafirma a mudança sofrida pelos setores da indústria musical, admitindo que a cadeia de produção, circulação e consumo de música foi afetada pelas tecnologias surgidas a partir da cibercultura. No entanto, apesar de num primeiro momento a indústria ter sofrido o baque com essa nova realidade, foi capaz de reverter esse processo buscando formas de ganhar dinheiro e de concretizar formas de fruição musical dentro desse universo digital. Para ela, justamente a aparição dos sistemas de recomendação traduzem essa fase.
Por lidar com uma questão tão complexa como as práticas de classificações, volta-se a discussão de valores e gostos, onde os processos de rotulações pressupõem disputas no campo da comparação e da valoração sobre qualidades. Percebe-se então que as categorias disputam entre os grupos envolvidos a classificação mais verdadeira, com maior autoridade cultural.
A pesquisadora busca entender a lógica da classificação dos sistemas de recomendação, a metodologia e os critérios para eleição das similaridades musicais e as tensões geradas a partir daí.
Assim, Simone passa a identificar alguns sistemas de recomendação, tendo como ponto de partida softwares desenvolvidos na década de
Assim, seja através de recursos que solicitam ao usuário classificar se gosta ou não da música que está ouvindo, seja através do rastreamento do perfil do usuário a partir de comportamentos prévios ou na análise das tags utilizadas, o sistema coleta, armazena e cruza informações que serão usadas para futuras indicações, que por sua vez, se tornam cada vez mais precisas e confiáveis, uma vez que se baseiam nos próprios gostos do consumidor. (SÁ, 2009).
Esses sistemas, no entanto, apresentam algumas limitações do método: dependência da colaboração do usuário, que pode decidir não participar; dificuldade de inserção de novos produtos que não foram ainda avaliados; a criação de usuários virtuais; a ausência de justificativa para as recomendações.
Em razão dessas limitações, foi desenvolvido outro método de filtragem de informação com base na análise do conteúdo da própria música (projeto de mapeamento Pandora é um exemplo disso). Para buscar semelhanças entre as canções foram considerados desde a utilização da metadata até a análise da instrumentação, andamento, vocais, etc. Aqui a tarefa é delegada aos especialistas humanos ou aos softwares agentes.
No entanto, a pesquisadora aponta desvantagens desse método, que depende de um sistema de classificação manual realizado por especialistas, que inclusive não obtém retorno dos usuários. Para evitar essas desvantagens, alguns sistemas têm construído modelos híbridos, que combinam a filtragem colaborativa com a análise de conteúdo.
Simone aponta a proposta do MoodLogic , um dos primeiros sistemas de recomendações, lançado em 1998. Aqui, o sistema se valia dos dados coletados de 50.000 usuários, que avaliaram mais de um milhão de músicas com base em 75 atributos diferentes. Assim, foi criado um grande catálogo de canções classificado por humores, combinadas ainda com outras categorias como gênero musical, andamento das músicas e datas (décadas).
Próximo da classificação por humor, a pesquisadora também ressalta um sistema com o critério de contexto, para estabelecimentos comerciais, lugares que precisam criar diversos climas musicais.
Retomando as denominações, a pesquisadora divide os sistemas de recomendação em duas principais metodologias: filtragem colaborativa, onde são utilizadas as informações vindas dos usuários para desenvolver algoritmos que traduzam padrões de gosto; e ainda a análise por especialistas ou metadata, onde são levados em consideração o andamento da música, instrumentos, gêneros músicas entre outras características.
Apesar dessas duas distinções, Simone aponta que sistemas de recomendação híbridos, que combinam as duas metodologias, são considerados os mais eficientes. Esses modelos possuem critérios para reconhecer similaridades, que são classificados em dois tipos:
O primeiro é denominado de intra-musical e está ligado a noção de gênero musical, levando-se em conta atributos da canção, como “guitarras” ou “vocais femininos”, etc.
Já a segunda categoria chama-se extra-musical, e nela leva-se em consideração as funções rituais da música, com os seguintes critérios: contexto, estados psíquicos e classificação cronológica.
Percebe-se assim, que a noção de gênero apresenta-se como ponto importante nas classificações, tanto que ela vai surgir na produção de conteúdo (exemplo disso são as tags produzidas pelos usuários). Isso denota que não existe consenso nas classificações, além da dificuldade em torno da rotulação, demandando a transformação de gosto musical para uma série de algoritmo, o que representa um desafio.
Assim, para que os sistemas de recomendação funcionem de maneira eficaz, a solução é a participação dos usuários nesse processo. Então, de acordo com o argumento da pesquisadora, a inteligência desses sistemas musicais está em envolvê-los para participarem da dinâmica, contrariando assim a premissa de que as redes sociais emancipam o usuário.
Para exemplificar a experiência de participação, Simone utiliza a produção de tags para ilustrar. Os sistemas de classificação baseados em tags conseguem equilibrar-se entre a dimensão subjetiva (quando o usuário cria sua própria tag) e outras já estabelecidas como senso comum entre os membros. A pesquisadora utiliza dois trabalhos para ilustrar: o primeiro é a análise de Amaral sobre a cena electro-goth dentro do Last.fm. Os integrantes dessa cena compartilham tags de estilo pouco conhecidos pelo público em geral (EBM, electro, industrial, gothic rock, synth pop) e esses marcadores funcionam como elementos de identificação e diferenciação. Nesse caso, existe uma cobrança maior entre os membros para que os “amigos” sejam coerentes com suas escolhas musicais, sem poder destoar dos demais na audição dos estilos, perpetuando as características da cena underground.
O segundo exemplo utilizado é trabalho de Sordo at al, que aponta que o maior grau de concordância entre peritos e leigos acontece em torno das classificações de gêneros musicais mais fechados, como o hip hop e bluegrass, e a maior discordância foi observado nos gêneros mais abrangentes como pop rock e eletrônica-dance.
Esses dois trabalhos demonstram que as tags funcionam como elementos de identificação, diferenciação e distinção da cultura de gosto. Através das tags é que o usuário consegue se encaixar em uma cena, mas mais do que isso, pertencer a um grupo específico e identificado, que o liga a outra pessoa com afinidades de gosto musical. Os sistemas de recomendação estimulam a etiquetagem, já que essa prática acaba dando dicas de informações importantes para serem utilizadas. Por isso a pesquisadora considera crucial a dimensão social das plataformas para o funcionamento delas, também considerando a recriação da experiência da música. A pesquisadora usa o Last.fm para explicar esse pensamento. Simone apresenta o modo de utilização do Last.fm, desde os primeiros passos mais simples até o grau de interatividade mais avançado.
Num primeiro momento, o usuário pode usar a plataforma como um rádio personalizado, escolhendo a estação que deseja ouvir. Após digitação da banda/cantor ou tags o sistema vai recomendar aquilo que se encaixar no perfil descrito pelo usuário. Nesse momento o usuário pode banir alguma canção, taggeá-la ou escolhe-la como favorita. Esse é o primeiro grau de interatividade, onde o usuário ao escolher suas preferências musicais já municia a plataforma.
O segundo grau de interatividade acontece quando o usuário decide baixar o scrobbler (que não é obrigatório) e assim que estiver com o software instalado permite que o sistema vasculhe o acervo de músicas no seu computador e use esses dados para novas recomendações.
E finalmente, o último grau está nas funcionalidades mais sociais da plataforma, como a construção do perfil com as informações do usuário, a lista de amigos, os vizinhos que possuem afinidades de gênero musical, a biblioteca personalizada, participação em comunidades classificados por gosto musical e etc. Novamente Simone ressalta que esses recursos não são obrigatórios, mas é esse vínculo com as redes sociais que vai possibilitar a discussão sobre rótulos e classificações, uma importante disputa no campo da música. Isso não pode ser atribuído somente aos sistemas de recomendação, é preciso a participação dos usuários para dar legitimidade e autoridade cultural a esses sistemas.
Por fim, Simone considera que a interferência humana nas redes sociais, através da classificação, das informações fornecidas que servirão de recomendação e mais a interatividade que acontece dentro das plataformas permite um espaço de sociabilidade e disputa simbólica, dois itens que resumem um dos prazeres da escuta musical atual.
