Strutture latenti nella musica: un'applicazione dell'analisi fattoriale multi-studio bayesiana su playlist Spotify

In un’epoca in cui il panorama musicale è profondamente influenzato dall’attività delle piattaforme di streaming e dagli algoritmi, la playlist è diventata un elemento fondamentale nell’organizzazione e nella personalizzazione dell’esperienza di ascolto degli utenti. L’obiettivo di questo lavoro è di indagare se esistano fattori latenti legati alle caratteristiche acustiche della musica in grado di accomunare playlist appartenenti a generi differenti, oppure se ciascun genere sia dominato da dinamiche proprie. A tal fine sono state selezionate sei playlist appartenenti a generi musicali diversi, tratte dal dataset "30000 Spotify Songs”. Dal punto di vista metodologico, l'applicazione dell'analisi fattoriale classica risulta poco adeguata in un contesto in cui ciascuna playlist costituisce un gruppo considerato a sé stante: per questo si è scelto di adottare l’analisi fattoriale multi-studio, in grado di identificare sia fattori comuni che fattori specifici per ciascuna playlist. Il modello è stato formulato in un contesto bayesiano e stimato tramite inferenza variazionale, mediante l’algoritmo di ottimizzazione CAVI, scelto per la sua efficienza computazionale. Dai risultati analizzati emerge che il modello è in grado di identificare una struttura latente comune definita, mentre le strutture studio-specifiche risultano meno nette. Si ritiene tuttavia che il valore aggiunto di questo lavoro non risieda tanto nel fornire una risposta definitiva alla domanda di ricerca posta, quanto nell’aver mostrato come un modello concepito per finalità distanti da quella qui applicata sia comunque in grado di restituire una lettura articolata della complessità del fenomeno analizzato.