Merritt, Sean H., Kevin Gaffuri, y Paul J. Zak. «Accurately predicting hit songs using neurophysiology and machine learning». Frontiers in Artificial Intelligence 6 (2023). https://www.frontiersin.org/articles/10.3389/frai.2023.1154663.

Identificar canciones de éxito es notoriamente difícil. Tradicionalmente, los elementos de las canciones se han medido a partir de grandes bases de datos para identificar los aspectos líricos de los éxitos. Nosotros adoptamos un enfoque metodológico diferente, midiendo las respuestas neurofisiológicas a un conjunto de canciones proporcionadas por un servicio de música en streaming que identificaba éxitos y fracasos. Comparamos varios enfoques estadísticos para examinar la precisión predictiva de cada técnica. Un modelo estadístico lineal que utilizaba dos medidas neuronales identificó los éxitos con una precisión del 69%. A continuación, creamos un conjunto de datos sintéticos y aplicamos el aprendizaje automático conjunto para captar las no linealidades inherentes a los datos neuronales. Este modelo clasificó las canciones de éxito con un 97% de precisión. La aplicación del aprendizaje automático a la respuesta neuronal al primer minuto de canción clasificó los éxitos con un 82% de precisión, lo que demuestra que el cerebro identifica rápidamente la música de éxito. Nuestros resultados demuestran que aplicar el aprendizaje automático a los datos neuronales puede aumentar sustancialmente la precisión de la clasificación de resultados de mercado difíciles de predecir.