AI-DRIVEN MUSIC CURATION AND VISUAL CULTURE: AUDIENCE PREFERENCE ANALYSIS IN DIGITAL CREATIVE PLATFORMS
Notice bibliographique
Résumé
Social music curation has turned into a hallmark of AI-powered creative platforms defining the way digital platform forms listening habits and the visual culture, as well as the way to engage with the audience. This paper discusses the connection between AI and music recommendation which applies visual aesthetics to analyse the audience preferences in a modern digital creative ecosystem. The issue being discussed involves the lack of transparency related to the formation of cultural preferences by algorithms and the insufficient knowledge about the impact of music -visual associations on the perception and retention of users. This study aims to simulate the trend of audience preference through the combined analysis of an audio characteristic, visual representation, and behavioral interaction information. The suggested approach utilizes multimodal deep learning, which is audio embedding networks, visual feature extractions models and attention-based preference learning to elicit cross-modal associations among sound, images, as well as user reaction. Data of large scale interaction on digital platforms is treated to recognize clusters of preferences, and changes in taste over time, and the interaction-based visual-music fit. The results of the experiments suggest that AI-based curation greatly improves the audience satisfaction, and the curation produces some measurable results in terms of the engagement time, the variety of its discoveries, and the subjective aesthetic cohesion. Findings also demonstrate that contextualized music recommendations House better than audio only systems in predicting user preferences and maintaining creative exploration.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,006 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».