The new gatekeepers: searching for bias in Spotify's curated playlists
Notice bibliographique
Résumé
On streaming platforms, playlists have become the backbone of listening. A high ranking in a top playlist is often the difference between success and failure for a new song. McKenzie et al. (2021) find that songs that feature other artists perform better than songs that don’t feature other artists. At the same time Waldfogel et al. (2021) provide evidence Spotify’s playlist curators bias certain songs in their ranking decisions. In light of these two distinct findings, we ask if it’s possible that the ‘feature’ effect observed by Mckenzie et al. is driven by a bias in playlist rankings? We ask a similar question of the success of major label and local songs. To answer our research questions we focus on the popular New Music Friday playlists, which rank new music the day of release. We first conduct an ‘outcomes-based’ test to identify bias, finding that feature and major label songs receive lower ex-ante playlist ranks than their ultimate streaming outcome warrants across the US, Canadian, UK and Australian playlists. We also find curators of the non-US playlists rank local songs more than their streaming outcome warrants. Second, we build a weekly streaming model of top 200 chart songs for the same countries. Using artist-fixed effects, we provide evidence that the feature artist effect observed by McKenzie et al. exists beyond the US, and that its strong enough to offset the unfavourable playlist rankings. Our results show Spotify’s curators do not always rank songs strictly in terms of appeal, and speculate that they may be motivated to ‘level the playing field’ between certain groups of artist and support local content.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».