“Evacuate the Dancefloor”: Exploring and Classifying Spotify Music Listening Before and During the COVID-19 Pandemic in DACH Countries
„Evacuate the Dancefloor“: Exploration und Klassifizierung von Spotify-Hörverhalten vor und während der COVID-19-Pandemie in den DACH-Ländern
Hauptsächlicher Artikelinhalt
Zusammenfassung
Während der COVID-19-Pandemie bewältigten viele Menschen diese einschränkende Situation, indem sie Musikmedien über verschiedene Musikstreaming-Dienstleister nutzten. Eine Betrachtung dieses Verhaltens aus der Perspektive des Uses-and-Gratification-Ansatzes und der Situated Cognition liefert verlässliche Erklärungen für die aktive und zielgerichtete Nutzung von Musikmedien. Um solche Erklärungen quantitativ mit frei verfügbaren Daten zu untermauern, haben wir die täglichen Top-200-Charts von Spotify in den DACH-Ländern und die dazugehörigen Audio-Features gemäß den von Spotify bereitgestellten Audio-Feature-Informationen für die Zeiträume während des ersten Lockdowns im Jahr 2020 und dem gleichen Zeitraum ohne Pandemie in 2019 abgerufen. Nachdem wir explorative Datenanalysen durchgeführt haben, reduzierten wir die Dimensionalität ausgewählter Audio-Features durch Anwendung eines k-Means-Clustering-Algorithmus über die DACH-Länder hinweg. Basierend auf den Clustering-Ergebnissen diskutieren wir, wie diese Cluster nicht nur konzeptuell mit dem Arousal-Valence-Circumplex-Modell erklärbar sind, sondern auch womöglich als (Gratifikations-)Potenziale verstanden werden können, mit denen die Hörer*innen interagieren können, um ihre Stimmungen zu modulieren und somit emotional mit dem Stress der Pandemie umzugehen. Darüber hinaus modellierten wir einen kreuzvalidierten binären SVM-Klassifikator, um die Zeiträume basierend auf den extrahierten Clustern und den verbleibenden manifesten Variablen (z.B. Chartpositionen) als Input-Variablen zu klassifizieren. Das endgültige Testszenario der Klassifizierungsaufgabe ergab eine hohe Gesamtgenauigkeit bei der Klassifizierung der Zeiträume als unterscheidbare Klassen. Abschließend kommen wir somit zu dem Schluss, dass diese aufgezeigten Ansätze grundsätzlich geeignet sind, die beiden Zeiträume auf Basis der extrahierten Mood-Cluster und der anderen Input-Variablen zu bestimmen und außerdem das alltägliche Musikhören über diese stellvertretenden Variablen als emotionsfokussierte Bewältigungsstrategie während der COVID-19-Pandemie in den DACH-Ländern unter modellbedingten Einschränkungen zu interpretieren.
API; COVID-19; interpretierbares maschinelles Lernen; >k-Means Clustering; populäre Musik; SVM-Klassifikator; Streaming-Hörverhalten