Les algorithmes de recommandation de Spotify : de la découverte aux bulles de filtres culturelles

Mathilde SIMON, Ines ESSADOK – M2 NUMI, 2018-2019

Capture d’écran de « radios » Spotify associées à des artistes

Avec sa promesse “de la musique pour tous”, Spotify met définitivement au placard le mode d’écoute de la radio. Cette dernière, en adaptant sa programmation musicale aux goûts du plus grand nombre, penche souvent – du moins pour les chaînes de radio les plus écoutées – vers la standardisation. C’est exactement l’inverse que propose le géant du streaming suédois : une web radio qui s’adapte aux oreilles de chacun de ses utilisateurs, anticipant ses désirs grâce à des playlists conçues automatiquement à partir de ses habitudes d’écoute. “Ma playlist “Découvertes de la semaine” me connaît si bien que si elle me demandait en mariage je dirais “oui””, plaisantait une utilisatrice convaincue sur Twitter. C’est bien la finesse parfois troublante de la personnalisation qui a érigé Spotify en leader mondial du streaming musical.

La concurrence est pourtant massive : les trois GAFA Google Play Music, Apple Music, Amazon Music et le français Deezer déploient leurs efforts pour devancer le service suédois, mais en vain : Spotify a toujours une longueur d’avance. Cette place de leader lui serait dûe par le rachat en 2014 de l’entreprise d’intelligence musicale américaine The Echo Nest, qui développe des algorithmes de recommandation d’une rare complexité… et d’une rare justesse. Le géant suédois propose un large panel de playlists automatisées offrant un aperçu de ce dont sont capables ces recettes de calcul. Or c’est justement le mode de consommation privilégié des adeptes du streaming : aujourd’hui, 60% à 70% de la musique écoutée sur les plateformes de streaming viendraient de playlists.

Image associée

Pour autant, les algorithmes de recommantion qui organisent beaucoup de ces playlists ne font pas l’unanimité. En effet, les défenseurs de l’industrie musicale traditionnelle l’assurent : utiliser des algorithmes personnalisés pour la recommandation musicale, c’est déshumaniser la découverte musicale. Selon eux, remettre nos oreilles entre les mains d’un programmateur radio ou d’un disquaire pourrait nous mener vers des rythmes insoupçonnés, à l’inverse des algorithmes qui se plient à ce que nous aimons déjà, détruisant toute notion d’aléatoire. Une trop grande pertinence de recommandation serait-elle néfaste pour notre sensibilité artistique ? A force d’anticiper nos désirs, les algorithmes personnalisés nous éloigneraient de toute prise de risque musicale. Le risque est alors de voir se reproduire dans notre sphère culturelle un phénomène similaire à celui que l’activiste Eli Pariser décrit, la “bulle de filtre”, en étudiant l’impact des algorithmes qui filtrent nos actualités sur les réseaux sociaux. “Le terme de « bulle de filtres » renvoie à l’isolement produit par ce mécanisme : chaque internaute accède à une version différente du web, il reste dans une « bulle » unique et optimisée pour lui”, expliquait-il lors de son TedTalk donné en 2011. Bien que ce terme implique également que ce phénomène se produise à l’insu de l’internaute, le résultat reste sensiblement le même que ce soit ou non le cas : on assiste à un potentiel enfermement social et culturel qui menace d’affaiblir la diversité d’écoute de l’utilisateur. Pourtant, pour le philosophe et informaticien Jean-Gabriel Ganascia interrogé pour notre étude, les algorithmes pourraient tout à fait être designés pour fonctionner différemment. Le problème des bulles de filtre se posait déjà à lui à un moment de sa carrière où il s’agissait de faire de la recommandation à la télévision : “est-ce que l’on donne à voir aux gens ce qu’ils ont l’habitude de voir ? Est-ce qu’il faut qu’on prenne leurs habitudes passées comme une règle à laquelle on se conforme ? Ou est-ce que de temps en temps il faut donner autre chose, quelque chose de proche mais est différent de leurs habitudes ?”. La bulle de filtre serait optionnelle, donc. Lors de notre étude, nous tacherons d’analyser quels choix ont été faits au sein de Spotify afin de modeler la recommandation de leurs contenus. Nous chercherons à déterminer si cette personnalisation reproduit un phénomène de bulles de filtre musicales.

Avant de juger du caractère positif ou néfaste des algorithmes de recommandation de Spotify pour nos habitudes d’écoute, il s’agira de questionner la “pertinence” des suggestions de la playlist “Découvertes de la semaine”. Sont-elles vraiment si bien adaptées à nos goûts ? Leur arrive t-il de nous surprendre, par des sonorités insolites mais pourtant agréables, contre toutes attentes ? Sont-elles parfois trop aventureuses pour nos oreilles ? Ou au contraire, trop prévisibles pour être qualifiées de “découvertes” ? Pour répondre à cette question, nous avons récolté les expériences de 54 utilisateurs de Spotify à l’aide d’un questionnaire anonyme traitant de leurs usages et leurs impressions sur le degrés de pertinence et de surprise que leur évoque leurs recommandations.

Dans un second temps, nous nous attacherons à cartographier les morceaux de musique présents dans les “Découvertes de la semaine” de deux utilisateurs à partir de la carte des genres développée par l’ingénieur de Spotify Glenn McDonald dans le but de ranger les dizaines de millions morceaux existants sur la plateforme par catégories. L’objectif sera alors d’observer si les contenus des “découvertes de la semaine” de ces utilisateurs se répartissent sur des régions insoupçonnées de cette carte, ou bien s’ils se concentrent autour de genres déjà connus et appréciés. Cumulés, les résultats de cette étude permettront de tracer les influences de la personnalisation algorithmique signée Spotify pour un projet de recherche plus complet à venir.

Algorithmes de recommandation : la recette

Avant d’entamer notre étude, il nous faut d’abord comprendre comment sont conçus les algorithmes mis en place par The Echo Nest, et décrire les différents types de playlists proposés par Spotify. S’y combinent différentes méthodes : le système de “tags”, le “filtrage collaboratif”, le “traitement de langage”, le “traitement audio”, et l’analyse de metadata d’écoute.

Le système de tags consiste à attribuer des qualificatifs selon certains critères. Ici, il s’agit de décrire un morceau en terme de “genres”. Seulement pour que celui-ci fonctionne de manière précise, il faut utiliser des genres plus discrets que “rock”, “jazz” ou encore “musique classique”. Spotify utilise actuellement 2729 sous-genres parmi lesquels on peut lire “classical string trio”, “ethereal gothic” ou encore “bubblegum pop”. Et la liste s’allonge jour après jour.

Ce système fonctionne à partir de modèles tels que le traitement de langage et le traitement audio. L’algorithme de traitement de langage se rend sur le Web afin de distinguer les adjectifs utilisés pour qualifier les morceaux sur les articles et blogs spécialisés (il parcourait en moyenne 10 millions de pages par jours en 2013). Le traitement de langage analyse les termes et champs lexicaux présents dans les chansons, et des tags sont attribués aux titres à partir du croisement des deux processus de traitement. De son côté, le traitement audio suit le même processus, mais c’est cette fois à partir des rythmes, décibels et instruments utilisés dans chaque morceaux qui l’algorithme distribuera ses tags.  

Le filtrage collaboratif se fonde, lui, sur les habitudes et préférences des utilisateurs. A titre d’exemple, si j’écoute beaucoup l’artiste Damso, et qu’en parallèle plusieurs personnes qui aiment Damso aiment aussi Hamza, Spotify me suggérera d’écouter du Hamza.

Le filtrage collaboratif deviendra particulièrement fin si la taille du catalogue et le rythme de consommation sont importants. Or dans le cas de Spotify, dont le catalogue contient 40 millions de titres et où un utilisateur écoute en moyenne 50 titres par jours, ce système permet un filtrage d’une grande finesse (on peut le comparer à celui Netflix, qui ne contient que quelques milliers de films et séries et dont l’allure de consommation ne peut égaler celle de la musique pour des raison de durée de produits).  

Enfin, ce sont les métadonnées qui sont analysées telles que le nombre de fois où sont écoutées les titres, le temps d’écoute d’une chanson (compté en millisecondes), ou encore la géolocalisation (certaines tendances d’écoute sont liées à aux pays, voire aux villes dans lesquelles nous nous situons).

Quels usages de la recommandation ?

D’une complexité inégalée dans le milieu, ces algorithmes influencent une part importante des usages des utilisateurs. En effet, la plateforme a dernièrement grandement misé sur le mode d’écoute des playlists (entre 60 et 70% des écoutes se faisaient à partir de playlists en 2017), en jouant la carte de la personnalisation. Certaines de ces playlists sont certes composées par des employés de Spotify, reproduisant un effet « web radio » et pouvant donc être perçue comme rééquilibrant le potentiel effet « bulle de filtre » : elles sont accessibles à tous les utilisateurs et traitent d’un genre -tel que « neo-psychedelic » – ou sont associées à une « ambiance » – telles que « chillout » ou encore « balade en forêt ». Néanmoins, ce sont surtout les playlists créées par des algorithmes qui font la renommée de l’entreprise suédoise. Ces dernières se déclinent de quatre manières : les « mix du quotidien », les « nouvelles sorties », les « radio » et les « découvertes de la semaine ». Les mix du quotidien regroupent des chansons qui sont familières à l’utilisateur (il les a déjà « liké ») par genres ou par thèmes. La playlist « nouvelles sorties » répertorie les nouveautés susceptibles de plaire à l’utilisateur. Les playlists « radio » existent pour quasiment chaque artiste présent sur la plateforme, et proposent des titres similaires à l’artiste souhaité. Enfin, la playlist « découvertes de la semaine » propose chaque lundi 30 morceaux inconnus, supposés correspondre à nos goûts musicaux.

Capture d’écran d’une playlist « Découvertes de la semaine »
Capture d’écran de plusieurs « Mix du quotidien »

Est-ce vraiment le cas ? Comment les utilisateurs se saisissent-ils ces playlists ? Pour répondre à ces interrogations, nous avons sollicité 56 personnes ayant souscrit à un abonnement premium et leur avons demandé de répondre à un formulaire sur leurs habitudes d’écoute. Le public sondé se situe est très largement entre 15 et 34 ans, est majoritairement étudiant à 42,9%, suivi d’employé (26,8%) et de cadre (25%), et est sensiblement plus féminin que masculin. Les questions portaient sur leurs usages et avis de trois types de playlists, dont deux générées par des algorithmes : les playlists éditoriales, les playlists « radio » et les playlists « découvertes de la semaine ». Ces deux playlists personnalisées sont à nos yeux les plus emblématiques des technologies d’ultra-personnalisation déployées par Spotify.

A partir des réponses des utilisateurs, nous notons en premier lieu que les playlists éditoriales proposées par Spotify sont en fait peu utilisées : seul 21,4% des sondés les écoutent régulièrement, tandis que presque la moitié ne dit les écouter qu’une fois de temps en temps, et le reste jamais.

Les observations sont quasiment identiques concernant les playlists « radio » : seuls 23,2% des participants vont spontanément rechercher des titres similaires à ceux qui leur ont déjà plus auparavant de manière régulière.


L’écoute des playlists éditoriales

L’écoute des playlists radio

Pourtant, les contenus de ces playlists radio semblent globalement pertinents (comprendre : correspondant à leurs goûts musicaux) aux yeux des questionnés : 65,1% les trouvent « souvent pertinents », tandis que 30,2% les jugent « rarement pertinents ». La pertinence par rapport aux goûts ne serait donc pas ce que recherchent les utilisateurs lorsqu’ils souscrivent à Spotify ? Nous leur avons alors demandé si, parallèlement au critère de pertinence, le contenu de ces playlists avaient tendance à les surprendre (comprendre :  proposant des morceaux qui sortent des sonorités connues, mais qui leur plaisent tout de même). A cette question, les interrogés se sont majoritairement dits rarement surpris, lorsque 32,6% se disent souvent surpris. Deux sondés se plaignent que les artistes ne varient pas assez, en suggérant par exemple que l’algorithme nous emmène plus souvent dans des époques différentes que celle du titre ou de l’artiste sélectionné. Cette impression personnelle de tourner en rond illustre les résultats de cette partie de l’étude : les playlists radio (générées automatiquement sur demande pour chaque titre ou artiste) sont adaptées aux goûts des individus, mais ne les poussent pas en-dehors des univers musicaux qu’ils connaissent.


Pertinence des playlists radio

                           Surprise des playlists radio

De la même manière, les playlists « découvertes de la semaine » sont assez peu investies : moins d’un quart des utilisateurs de Spotify l’écouteraient chaque semaine, tandis que plus d’un tiers assurent ne jamais l’écouter. Pourtant, ils sont deux tiers à les trouver globalement pertinentes par rapport à leurs goûts. Cela vient confirmer une étude portée par Spotify peu de temps après avoir inauguré ces playlists : l’entreprise a envoyé un questionnaire de satisfaction auprès de 1177 utilisateurs, qui s’en sont dits “contents” à 84,7%. Mais le terme “content” reste large. Lors de notre étude, il semblerait encore une fois que le critère de pertinence ne soit pas le plus fédérateur pour les consommateurs : 64,4% des sondés se sont affirmés rarement surpris par les morceaux proposés, contre un tiers se disant souvent surpris.


Pertinence des playlists découvertes

Surprise des playlists découvertes

Nous retrouvons donc la même tendance que pour les playlists radio : les algorithmes de personnalisation reproduisent nos goûts de manière fine, mais ils nous confortent dans ce que nous aimons déjà. Or aux vues de la faible utilisation qui est faite de ces playlists, nous pourrions penser que ce n’est pas ce qu’attendent les utilisateurs de la personnalisation algorithmique.

Dans la cartographie des genres de Spotify : vous avez dit nouveautés ?

Néanmoins, nous avons souhaité croiser ces retours d’expérience utilisateur avec une étude analysant le contenu des playlists “découvertes de la semaine”. Pour cela, nous avons collecté les données de deux utilisateurs ayant des habitudes d’écoutes complètement différentes sur deux semaines, afin d’analyser la fréquence des genres de deux playlists. Nous nous sommes intéressées au site web Every Noise At Once, où 2743 genres de musique sont représentés sous forme de carte représentant toute la diversité musicale existant au sein de Spotify. La carte s’organise en liant les genres entre eux à partir des similarités qui les rapprochent les uns aux autres. Ces “genres” sont en fait les “tags” évoqués lors de la première partie, créés pour classifier les 40 millions de chansons hébergés par la plateforme. Dans cet univers musical colossal, nous avons essayé de retrouver tous les genres correspondant aux 120 titres que proposaient les deux playlists hebdomadaires “Découvertes de la semaine” sur deux semaines. L’objectif était alors d’observer comment se répartissaient les tags sur la carte.

Toutefois, parmi les 30 titres que proposait chaque semaine la playlist « découverte de la semaine », plusieurs genres pouvaient être liés à un seul artiste. Par exemple, l’artiste Alice Coltrane correspond à 10 genres en même temps, comme « free jazz », « experimental », « art rock », « contemporary post-bop », et 6 autres encore. Tandis que “Kikagaku Moyo” n’est associé qu’au tag “japanese psychedelic”. Ainsi, les 60 titres que proposait la playlist A sur deux semaines faisaient apparaître un total de 155 genres différents, tandis que pour playlist B, nous avons recensés uniquement 64 genres, pour le même nombre de titres.

A gauche, les genres présents dans la playlist A
A droite, les genres présents dans la playlist B

Ces répétitions de genres observées dans une même playlist nous révèlent une certaine tendance qui lie à la fois l’habitude d’écoute de l’utilisateur et le fonctionnement de l’algorithme de personnalisation Spotify. Dans le but d’affirmer ces hypothèses de départs, nous avons effectué une analyse qui tente d’y répondre avec des chiffres et quelques statistiques. Nous nous sommes donc intéressées au nombre de fois où apparaissait le même genre pour l’ensemble des titres de la playlist A, ce qui représentait une occurrence de 337, les genres entourés en rouge dans la carte sont ceux qui se répètent le plus (entre 5 et 13 fois), à hauteur de 33,2%. Suivi du cluster orange, d’une occurrence allant entre 2 et 4, qui représente à son tour 40,6%. Enfin le dernier cluster en jaune, représente 26,1%, et constitue les genres qui se répète uniquement 1 seule fois.

Des statistiques complètement différentes illustrent les usages de l’utilisateur de la playlist B. En effet, cette dernière révèle une occurrence de 177 pour les 64 genres que Spotify lui proposait. Les 3 genres les plus fréquents (apparaissant entre 10 et 44 fois), représentaient chez lui 48% du nombre total de genres écoutés. Le cluster orange avec une occurrence de 2 à 5 représente 27,7%, et enfin les genres qui ne se répètent qu’une seule fois sont à hauteur de 24,2%.

Zoom sur les genres les plus fréquents dans la playlist B

Ci-dessus la représentation des clusters sur la carte de la playlist B : les 3 genres encadrés en rouges apparaissent à hauteur de 44 fois pour « French hip hop », 31 fois pour « trap français » et 10 fois pour « belgian hip hop ». Nous constatons que tous trois sont centralisés dans un même endroit sur la carte. Ce qui confirme une fois de plus que les genres les plus fréquemment proposés par l’algorithme sont très proches entre eux.

En revanche, une autre représentation de clusters jaunes et un peu de clusters oranges (ci-dessous) nous montre une multiplicité de tags dispersés sur la carte, illustrant le fait que l’algorithme propose à l’utilisateur des genres autres que les plus écoutés. Nous verrons ensuite si cela correspond vraiment à des découvertes pour l’utilisateur ou si ces genres plus rares ont effectivement une place parmi ses habitudes d’écoutes.

Zoom sur les genres les moins fréquents dans la playlist B

Du côté de l’utilisateur de la playlist A, les 18 genres qui se répètent le plus souvent et qui sont également entourés en rouge sur la carte sont le « freak folk » à hauteur de 13 fois, et le « folk » 10 fois, suivi des autres genres dont la fréquence est supérieure à 5 fois, comme la « Classic soul », « alternative rock », « indie pop », « neo-psychedelic », « jazz funk »… etc. La particularité de cette playlist, c’est sa dispersion un peu plus allongée sur la carte par rapport à la playlist B, ainsi que la multitude et la diversité des genres proposés, qui est 6 fois plus importante.

Zoom sur une partie des genres présents dans la playlist A

Les clusters oranges et jaunes de la playlist A se répartissent de façon distincte par rapport à la playlist B, du fait qu’ils s’entremêlent avec les clusters rouge. Ainsi les genres les moins proches des habitudes d’écoute de l’utilisateur (clusters jaunes) sont vraiment très proches de ceux qu’il écoute habituellement (clusters rouge). Il n’existe qu’une toute petite quantité de genres faiblement écoutés qui sont dispersés bien plus loin sur la carte, et qui s’éloignent clairement de la zone centrale où se trouve la plupart des genres les plus fréquents (voir ci-dessous).

Zoom sur une partie des genres peu présents dans la playlist A

Des nouveautés, mais pas de découvertes

Pour faire parler ces chiffres et observations, nous avons mi les deux utilisateurs nous ayant partagé leurs données face à nos observations : à quel point trouvaient-ils que ces statistiques étaient représentatives de leurs habitudes d’écoute ? Trouvaient-ils, dans leur cartographie de tags, des genres insoupçonnés ? Bien que les genres de la Playlist A soient plus nombreux et répartis de manière plus éparse que ceux de la Playlist B sur la carte de Every Noise At Once, les deux utilisateurs affirment que cela est représentatif de leurs goûts à tous les deux. Les deux utilisateurs sont d’accord pour dire que les divergences les plus perceptibles concernent plus des différences de localisation que de genres en soi : existe t-il une différence substantielle entre “alaska indie” et “australian indie”, ou sont-ils simplement des “sous-genres” appartenant au genre “indie” ? Nous supposons que ces différences restent sensibles et ne considérons pas cela comme un élément capable de “challenger” véritablement les goûts des utilisateurs.

Ces retours nous permettent d’émettre la supposition que l’algorithme de recommandation qui constitue les playlists “Découvertes de la semaine” de Spotify essaye de faire le meilleur rapprochement possible avec nos habitudes d’écoutes, afin de satisfaire au mieux nos penchants musicaux. Sans pour autant nous proposer des genres nouveaux, associés à de nouveaux artistes, que nous n’aurions jamais entendu auparavant.

Cela viendrait donc confirmer notre hypothèse de départ selon laquelle la playlist de Spotify ayant le plus de chance de nous “emmener ailleurs” que ce que nous connaissons finirait en fait par nous conforter dans une « bulle de filtre » culturelle. La plateforme de streaming nous ferait découvrir grâce à la playlist « découverte de la semaine » de nouveaux artistes certes, mais toujours avec des genres musicaux qui collent parfaitement à nos habitudes d’écoute. La playlist nous ferait donc effectivement découvrir des nouveautés, générées à partir de nos goûts et de nos écoutes passées, mais sans réellement sortir de ce que nous aimons le plus écouter. Cette hypothèse se confirme davantage avec l’utilisateur de la playlist B, qui finalement était enfermé dans la même et habituelle écoute musicale, vu que presque la moitié des artistes proposés se répétaient beaucoup plus souvent que les genres qu’il n’avait jamais entendu auparavant.

Les limites de la solution technique

Pour le philosophe et informaticien Jean-Gabriel Ganascia, il est difficile de douter que ce phénomène de bulle se produise de manière accidentelle : « on sait que du point de vue technique, un compromis est fait sur le fait de l’optimisation,  entre l’exploitation des connaissances qu’on a déjà (l’exploitation de ce qu’on sait de l’utilisateur) et puis l’exploration ». Quelles raisons Spotify aurait-il de designer ses algorithmes de recommandation de manière à nous conformer dans nos habitudes ? Selon Jean-Gabriel Ganascia, ce choix serait fait en connaissance du fait que c’est bien dans nos habitudes que résiderait le plaisir immédiat. « Etre confronté à quelque chose de différent provoque une certaine douleur », nous assure t-il. Cependant, il doute que ce choix soit réellement le plus valorisant pour les utilisateurs : « quelque fois cette douleur peut avoir des aspects positifs, car ça nous permet tout de même de changer un tout  petit peu, explique t-il. Et donc effectivement, de temps en temps il faut cette capacité que l’on offre à l’utilisateur d’explorer les choses nouvelles ».

Mais plus que de mauvaises intentions, ce choix trahirait des limites techniques à la recommandation algorithmique. L’informaticien assure que Spotify ne saurait en fait vraiment bien que reproduire ce qu’il sait déjà de nous :  « Pourquoi il y a des algorithmes ? Parce que justement, comme on est dans un monde de profusion et de choix, on est totalement perdus, et il faut aider les gens à se repérer à l’intérieur. Le nombre de possibilités devient considérable, quel que soit le domaine commercial. C’est ce qui a conduit les grands acteurs de l’internet à introduire des systèmes de recommandation, parce qu’ils voyaient bien qu’ils étaient face à un public désorienté. Or  la difficulté quand on fait des algorithmes qui aident à choisir, c’est que si vous avez énormément d’exemples, il va falloir choisir entre les exemples des choses qui se distinguent un peu. Il faut arriver à avoir de la variabilité dans ce qu’on va proposer. Sinon, on va proposer toutes les choses qui sont proches de ce qu’on connait du profil de l’utilisateur, mais après elles se ressembleront toutes.» Cette limite technique viendrait confirmer les observations de notre étude : les morceaux proposés par la playlist « Découvertes de la semaine » sont effectivement inédits en soi, mais ils ne représentent que rarement des nouveautés en terme d’univers sonore. Les algorithmes ne seraient donc pas en mesure de produire une recommandation assez fine pour imiter celle que des humains seraient, eux, en mesure de mettre en place. « Pour faire découvrir quelque chose, il faut que ça vienne de quelqu’un qui vous connaisse, qu’il ait lui-même une très bonne connaissance, et qui à partir de ça voudrait faire connaître quelque chose, et trouverai ce qui dans tel genre pourrait plaire à telle personne, parce que c’est en rapport avec ce qu’il connaît de ses goûts. Il faut beaucoup de finesse pour faire ça, et on est extrêmement loin aujourd’hui d’être en mesure de faire cela avec des systèmes de recommandation. Aimer, ce n’est pas simplement proposer. C’est donner à voir, donner à lire, donner à écouter… C’est un parcours, et c’est ça que les algorithmes ne font pas. », explique le philosophe.

Playlists personnalisées générées par Spotify

Spotify est un outil fabuleux en ce qu’il donne accès à une diversité musicale qui semble infinie. Cette étendue sonore est au coeur de la promesse de Spotify : tous les goûts seront satisfaits. Mais aucun humain n’est capable de faire un choix spontané pertinent face à un catalogue aussi vertigineux. Les algorithmes deviennent alors essentiels pour nous guider. Mais dans quelle voie ? Notre étude permet d’observer que la recommandation de Spotify n’est vraiment pertinente que lorsqu’il s’agit de saisir et de reproduire nos habitudes d’écoute. Le potentiel de découverte que pourrait permettre le catalogue de Spotify se réduit alors à étirer nos connaissances sur certains genres approuvés de fait par l’utilisateur via des acquiescements et des refus (enregistrer un morceau dans sa bibliothèque, passer au morceau suivant). Cela lui permettra au mieux de développer une certaine expertise dans un univers musical plus ou moins étanche. Dans cette étude, nous n’avons exploré que les raisons techniques qui expliquent cette limite. Néanmoins, un approfondissement du sujet nous permettra d’observer les enjeux économiques qui pourraient tenter Spotify de garder ses utilisateurs dans une forme de bulle culturelle, et court-circuitant ainsi le potentiel de diversité que représente la plateforme.

Webographie

http://everynoise.com/engenremap.html

 https://www.slideshare.net/MrChrisJohnson/algorithmic-music-recommendations-at-spotify 

http://abonnes.lemonde.fr/economie/article/2018/04/04/spotify-le-leader-mondial-du-streaming-musical-en-chiffres_5280479_3234.html

https://usbeketrica.com/article/sur-spotify-trop-de-decouvertes-tue-la-decouverte

Bibliographie

The Filter Bubble: What the Internet Is Hiding from You (Eli Pariser, Penguin Press, 2011) 

Jean-Samuel Beuscart, Sisley Maillard, Samuel Coavoux. Les algorithmes de recommandation musicale et l’autonomie de l’auditeur. Une analyse quantitative d’un panel d’utilisateurs de streaming. 2017. <halshs-01639788> 

Laisser un commentaire