Científicos alemanes miden la variabilidad de las piezas musicales con la ayuda de la ciencia de datos y explican por qué a una persona le gusta más un tipo de música que otra.
Por todos es conocido que la música puede evocar emociones, a veces, muy intensas. Pero ¿cómo surgen estas emociones y cómo se genera el significado sentimental en la música?
Hace casi setenta años, el filósofo de la música estadounidense Leonard Meyer (1918-2007) sugirió que ambos fenómenos se deben a la interacción entre la expectativa y la sorpresa.
A lo largo de la evolución, fue crucial para los seres humanos poder formular nuevas predicciones basadas en experiencias pasadas.
Así, también podemos crear expectativas y pronósticos sobre la progresión de la música en función de lo que hemos escuchado.
Según Meyer, las emociones y el significado en la música emergen de la interacción entre las expectativas y su cumplimiento, o no cumplimiento temporal.
Un equipo de científicos liderado por Theo Geisel, del Max Planck Institute for Dynamics and Self-Organization (MPI-DS) y la Universidad de Göttingen, en Alemania, se preguntó si estos conceptos filosóficos podían ser cuantificados empíricamente utilizando métodos modernos de ciencia de datos.
Esta es un campo interdisciplinario que utiliza métodos, procesos, algoritmos y sistemas para extraer conocimiento y conclusiones a partir de montañas de información.
Combina técnicas de estadísticas, análisis de datos, aprendizaje automático y programación para transformar datos en información útil.
Los investigadores emplearon el análisis de series temporales para inferir la función de autocorrelación de las secuencias de tonos musicales, la cual mide el grado de similitud entre una secuencia de tonos y las secuencias anteriores.
Recordemos que, en música, las series temporales se refieren a la organización y secuencia de elementos sonoros (como notas, ritmos, dinámicas o timbres) en el tiempo, lo cual estructura y da forma a una pieza musical.
Este concepto está ligado a cómo se desarrollan los sonidos a lo largo del tiempo y cómo son percibidos en una sucesión organizada o en una serie que puede ser más o menos repetitiva, variada o progresiva.
Así, es este orden y organización de los elementos en el tiempo lo que permite que la música sea coherente, comprensible y que evolucione a lo largo de una pieza.
El grado de similitud entre una secuencia de tonos y las secuencias precedentes se traduce en una especie de memoria de la pieza musical.
Si esta memoria disminuye lentamente con el paso del tiempo, la serie temporal es más fácil de anticipar; si desaparece rápidamente, la serie temporal ofrece más variaciones y sorpresas.
En total, los investigadores Theo Geisel y Corentin Nelias analizaron más de 450 improvisaciones de jazz y 99 composiciones clásicas, que incluían sinfonías y sonatas con múltiples movimientos.
Con estos mimbres, descubrieron que la función de autocorrelación de los tonos disminuye al inicio de forma muy lenta con la diferencia de tiempo, lo que expresa una alta similitud y posibilidad de anticipar las secuencias musicales.
Sin embargo, encontraron que existe un límite temporal, después del cual esta similitud y previsibilidad finalizan de manera relativamente abrupta.
Para diferencias de tiempo mayores, tanto la función de autocorrelación como la memoria son insignificantes.
De particular interés son los valores de los tiempos de transición de las piezas, donde el comportamiento más predecible se transforma en un comportamiento completamente impredecible y no correlacionado.
Dependiendo de la composición o la improvisación, los científicos encontraron tiempos de transición que variaban desde unas pocas negras hasta aproximadamente cien negras.
Las improvisaciones de jazz generalmente tenían tiempos de transición más cortos que muchas composiciones clásicas, por lo que solían ser menos predecibles.
También se observaron diferencias entre distintos compositores.
Por ejemplo, los investigadores encontraron tiempos de transición entre cinco y doce negras en varias composiciones de Johann Sebastian Bach, mientras que los tiempos de transición en diversas obras de Mozart variaron entre ocho y 22 negras.
Esto implica que la anticipación y expectativa de la progresión musical tiende a durar más en las composiciones de Mozart que en las de Bach, que ofrecen mayor variabilidad y sorpresas.
Para Geisel, el iniciador y director de este proyecto de investigación, esto también explica una observación muy personal de su época escolar:
«En mi juventud, sorprendí a mi profesor de música y director de nuestra orquesta escolar al decirle que a menudo no podía mostrar mucho entusiasmo por las composiciones de Mozart».
Y añade:
… Con los tiempos de transición entre el comportamiento altamente correlacionado y el no correlacionado, hemos encontrado ahora una medida cuantitativa para la variabilidad de las piezas musicales, lo que me ayuda a entender por qué me gustaba más Bach que Mozart».
Fuente: Rexmolon
Recientemente, Sanctuary AI presentó su mano robótica que ahora es capaz de manipular objetos. (more…)
Especialistas en robótica de la Universidad de Leeds y el University College de Londres han…
El lenguaje de señas es un medio de comunicación sofisticado y vital para las personas…
Según un nuevo estudio dirigido por el Imperial College, una tecnología de navegación que utiliza…
Gemini 2.0 Flash Thinking Experimental es una nueva versión de la IA de Google que…
Las computadoras cuánticas difieren fundamentalmente de las clásicas. En lugar de utilizar bits (0 y…