As Letras Das Músicas Tornaram-Se Mais Simples e Repetitivas Nas Últimas Cinco Décadas - Relatórios Científicos

05/04/2024, 17:50 As letras das músicas tornaram-se mais simples e repetitivas nas últimas cinco décadas | Relatórios Científicos
baixar PDF
natureza relatórios científicos artigos artigo
baixar PDF
Artigo Acesso livre Publicados:28 de março de 2024
As letras das músicas tornaram-se mais simples e repetitivas nas

últimas cinco décadas
Emília Parada-Cabaleiro ,Maximiliano Mayerl ,Stefan Brandl ,Marcin Skowron ,Markus Schedl
,Elisabete Lex eEva Zangerle
Relatórios Científicos 14 , Número do artigo: 5531 ( 2024 )
Acessos 24k 2882 Altmétrico Métricas
Abstrato
A música é onipresente em nossa vida cotidiana e as letras desempenham um papel

fundamental quando ouvimos música. As complexas relações entre o conteúdo lírico,
a sua evolução temporal ao longo das últimas décadas e as variações específicas do
género, no entanto, ainda não foram totalmente compreendidas. Neste trabalho,
investigamos a dinâmica das letras em inglês da música ocidental e popular ao longo
de cinco décadas e cinco gêneros, usando um amplo conjunto de descritores de
letras, incluindo complexidade lírica, estrutura, emoção e popularidade. Descobrimos
que as letras de música pop se tornaram mais simples e fáceis de compreender ao
longo do tempo: não só a complexidade lexical das letras diminui (por exemplo,
capturada pela riqueza do vocabulário ou pela legibilidade das letras), mas também
observamos que a complexidade estrutural (por exemplo , a repetitividade das letras)
diminuiu. Além disso, confirmamos análises anteriores que mostram que a emoção
descrita pelas letras tornou-se mais negativa e que as letras tornaram-se mais
pessoais nas últimas cinco décadas. Finalmente, uma comparação entre as contagens
de visualizações e de audição das letras mostra que, quando se trata do interesse dos
https://www.nature.com/articles/s41598-024-55742-x?CJEVENT=c492a006f1a311ee8072cda00a18b8fc 1/38
ouvintes pelas letras, por exemplo, os fãs de rock gostam principalmente de letras de
baixar PDF
músicas mais antigas; os fãs country estão mais interessados nas letras das novas
músicas.
Conteúdo semelhante sendo visualizado por outras pessoas
O papel do tamanho da O desenvolvimento Explorando os

população na diacrônico do estilo fundamentos da
complexidade da música musical de Debussy: um tonalidade: modelagem
folclórica estudo de corpus com a… estatística cognitiva de…
Artigo Acesso aberto Artigo Acesso aberto Artigo Acesso aberto

28 de abril de 2022 05 de junho de 2023 04 de janeiro de 2021
Introdução
Estamos rodeados de música todos os dias; está presente na sociedade atual 1 e

desempenha muitas funções. Por exemplo, as pessoas ouvem música para aliviar o
tédio, preencher silêncios desconfortáveis, promover a coesão social e a comunicação
ou regular as suas emoções 2 , 3 , 4 . Quando se trata de os ouvintes gostarem ou não
de uma faixa, os componentes mais salientes da música, juntamente com a
capacidade de uma canção evocar emoções e a voz cantada, são as letras de uma
canção 5 . Da mesma forma, a interação entre melodia e letra é imperativa, uma vez
que foi demonstrado que as letras influenciam a valência emocional da música;
particularmente, as letras podem aumentar a emoção negativa em músicas raivosas e
tristes 6 . Também foi demonstrado que músicas contendo letras ativam diferentes
regiões do cérebro em comparação com músicas sem letras 7 .
Vista por outro ângulo, a letra pode ser considerada uma forma de obra literária 8 .
Geralmente escritas em verso, as letras utilizam artifícios poéticos como rima,
repetição, metáforas e imagens 9 e, portanto, podem ser consideradas semelhantes a
poemas 8 . Isto também é demonstrado por Bob Dylan, que ganhou o Prémio Nobel
baixar PDF
da Literatura em 2016 “por ter criado novas expressões poéticas dentro da grande
tradição da canção americana” 10 . Assim como a literatura pode ser considerada um
retrato da sociedade, as letras também fornecem um reflexo das mudanças nas
normas, emoções e valores de uma sociedade ao longo do tempo 11 , 12 , 13 , 14 , 15 .
Para este fim, a compreensão das tendências no conteúdo lírico da música ganhou
importância nos últimos anos: descritores computacionais de letras têm sido
aproveitados para descobrir e descrever diferenças entre músicas no que diz respeito
ao género 16 , 17 , ou para analisar mudanças temporais dos descritores de letras 11 , 17 ,
18
. As diferenças líricas entre os gêneros foram identificadas por Schedl em termos de
repetitividade (música Rhythm & Blues (R&B) com as letras mais repetitivas e heavy
metal com as letras menos repetitivas) e legibilidade (o rap é o mais difícil de
compreender, o punk e o blues são os mais fáceis). ) 16 . Em um estudo de 1.879
músicas únicas ao longo de três anos (2014–2016) de sete gêneros principais (cristão,
country, dance, pop, rap, rock e R&B), Berger e Packard 19 descobriram que músicas
com letras que são topicamente mais diferenciadas de seu gênero são mais populares
em termos de sua posição no ranking de downloads digitais da Billboard. Kim et al. 20
usam quatro conjuntos de recursos extraídos de letras de músicas e um conjunto de
recursos de áudio extraídos do sinal de áudio para as tarefas de reconhecimento de
gênero, recomendação de música e etiquetagem automática de música. Eles
descobriram que, embora os recursos de áudio mostrem os tamanhos de efeito
maiores e mais consistentes, os recursos de inventário linguístico e psicológico
também mostram contribuições consistentes nas tarefas investigadas.
Estudos que investigam a evolução temporal das letras concentram-se

predominantemente em rastrear pistas emocionais ao longo dos anos. Por exemplo,
Dodds et al. 17 identificam uma tendência decrescente na valência média das letras
das músicas de 1961 a 2007. Napier e Shamir 21 investigaram a mudança no
sentimento das letras de 6.150 músicas da Billboard 100 de 1951 a 2016. Eles
descobriram que sentimentos positivos (por exemplo, alegria ou confiança )
diminuíram, enquanto os sentimentos negativos (por exemplo, raiva, nojo ou tristeza)
aumentaram. Marca et al. 13 usam dois conjuntos de dados contendo letras de 4.913 e
159.015 canções pop, abrangendo de 1965 a 2015, para investigar a proliferação de

baixar PDF
conteúdo lírico emocional com valência negativa. Eles descobriram que a proliferação
pode ser parcialmente atribuída a preconceitos de conteúdo (as paradas tendem a
favorecer letras negativas) e, em parte, a preconceitos de transmissão cultural (por
exemplo, preconceitos de sucesso ou prestígio, onde as músicas ou artistas mais
vendidos são copiados). Investigando as letras das 10 músicas mais populares das
paradas de final de ano do Hot 100 dos EUA entre 1980 e 2007, DeWall et al. 18
descobriram que palavras relacionadas a si mesmo (por exemplo, eu ou meu) e
palavras que apontam para comportamento anti-social (por exemplo, odiar ou matar)
aumentaram, enquanto palavras relacionadas a interações sociais (por exemplo,
conversar ou companheiro) e emoções positivas (por exemplo, amor ou gentileza). )
diminuiu com o tempo.
Juntamente com as mudanças nos sinais emocionais, Varnum et al. 11 constatam que a
simplicidade das letras na música pop aumentou ao longo de seis décadas (1958–
2016). Da mesma forma, Choi et al. 9 estudam a evolução da complexidade lírica. Eles
investigam particularmente a concretude das letras (a concretude descreve se uma
palavra se refere a um conceito concreto ou abstrato), uma vez que foi demonstrado
que ela se correlaciona com a legibilidade e descobrem que a concretude aumentou
nas últimas quatro décadas. Além disso, há também um conjunto de pesquisas que
investiga a evolução do conteúdo lírico (isto é, os chamados temas). Por exemplo,
Christenson et al. 22 analisaram a evolução dos temas nos 40 melhores singles da
Billboard dos EUA de 1960 a 2010. Eles descobriram que a fração das letras que
descrevem relacionamentos em termos românticos não mudou. No entanto, a fração
dos aspectos dos relacionamentos relacionados ao sexo aumentou substancialmente.
Estudos sobre a evolução temporal da música também analisaram as mudanças

temporais dos descritores acústicos , além das letras. Interiano et al. 23 investigam
descritores acústicos de 500 mil músicas de 1985 a 2015. Eles descobrem uma
tendência decrescente em “felicidade” e “brilho”, bem como uma ligeira tendência
ascendente em “tristeza”. Eles também correlacionam esses descritores com o sucesso
e descobrem que músicas de sucesso apresentam dinâmicas distintas. Em particular,
tendem a ser “mais felizes”, mais “festeiros” e menos “relaxados” do que outros.
Apesar dos esforços anteriores para compreender as funções, propósitos, evolução e

baixar PDF
qualidades preditivas das letras, ainda existe uma lacuna de investigação em termos
de descobrir o quadro completo das relações complexas entre descritores de
conteúdo lírico, as suas variações entre géneros, e a sua evolução temporal. nas
últimas décadas. Estudos anteriores concentraram-se em descritores, gêneros ou
prazos específicos e, mais comumente, investigaram conjuntos de dados menores.
Neste artigo, investigamos a evolução (conjunta) da complexidade das letras, sua
emoção e a popularidade da música correspondente com base em um grande
conjunto de dados de música popular inglesa, ocidental, abrangendo cinco décadas,
uma ampla variedade de descritores de letras e vários gêneros musicais. Medimos a
popularidade das faixas e letras, onde distinguimos entre a contagem de escuta, ou
seja, a contagem de músicas ouvidas. ou seja, o número de eventos de audição desde
o início da plataforma e a contagem de visualizações das letras, ou seja. ou seja, o
número de visualizações das letras na plataforma Genius ( https://genius.com ). Assim,
investigamos as seguintes questões de pesquisa neste artigo: (RQ1) Que tendências
podemos observar em relação às letras de música pop ao longo dos últimos 50 anos,
com base em descritores de letras multifacetados? Esperamos que os descritores que
se correlacionam mais fortemente com o ano de lançamento conduzam a modelos de
regressão com melhor desempenho. (RQ2) Qual o papel da popularidade das músicas
e letras neste cenário? Esperamos que as visualizações das letras variem entre os
gêneros, e essas variações podem ser atribuídas a mudanças nas letras ao longo do
tempo.
Nosso estudo exploratório difere dos estudos existentes em vários aspectos: (1)
fornecemos a primeira análise conjunta da evolução de múltiplos descritores de letras
e popularidade, (2) investigamos uma infinidade de descritores de letras que capturam
a complexidade, estrutura e emoção das letras, ( 3) fornecemos uma análise
aprofundada da evolução desses descritores, não apenas ao longo do tempo , mas
com foco em diferentes gêneros , e (4) aproveitamos um conjunto de dados
substancialmente maior do que a maioria dos trabalhos existentes.
Para nossas análises, criamos um conjunto de dados contendo 353.320 letras de

músicas em inglês da plataforma Genius ( https://genius.com/ ), abrangendo cinco
décadas (1970–2020) em termos de anos de lançamento das músicas. Com base nesta
baixar PDF
coleção de letras, extraímos uma grande variedade de descritores de letras e dados de
popularidade para cada música. Em particular, extraímos descritores lexicais,
linguísticos, estruturais, de rima, emoção e complexidade e nos concentramos em
cinco gêneros: rap, country, pop, R&B e rock, pois estes são os gêneros mais
populares de acordo com a plataforma de streaming de música amplamente utilizada.
last.fm ( https://www.last.fm/ ) 24 , 25 , 26 , 27 , desconsiderando gêneros cujas letras são
menos frequentes (por exemplo, jazz e música clássica). Nossa análise é baseada em
duas análises complementares, conforme mostrado na Figura 1 . Em nossa primeira
análise, estamos interessados na evolução das letras de música pop e no impacto dos
descritores em uma tarefa de regressão (ou seja, nosso objetivo é encontrar os
preditores mais adequados para modelar uma tendência linear em uma tarefa de
regressão de ano de lançamento). O segundo conjunto de análises investiga a relação
entre a contagem de visualizações das letras, os descritores e o ano de lançamento
das músicas correspondentes em uma análise de regressão linear múltipla. Avaliar a
contagem de visualizações das letras, além da medida normalmente analisada da
contagem de reproduções auditivas, nos permite levar em consideração outra
perspectiva da popularidade da música. Em particular, a contagem de visualizações
das letras permite-nos investigar expressivamente o papel desempenhado pelas letras
nos padrões de consumo musical ao longo do tempo (através do ano de lançamento
das músicas), bem como relacionar tais padrões com as características das letras
(através dos descritores das letras). Observe que, embora a contagem de reproduções
auditivas não forneça nenhuma informação sobre o interesse do ouvinte pelas letras, a
contagem de visualizações das letras é um indicador claro da importância das letras, o
que pode não estar necessariamente relacionado à popularidade geral de um gênero
musical.
Métodos
figura 1
baixar PDF
Visão geral dos dados e análises realizadas. Com base em uma ampla variedade de
descritores que capturam as características líricas dos dados auditivos e do conteúdo das
letras, realizamos duas análises. A Análise 1 identifica descritores característicos do ano de
lançamento e gênero. A Análise 2 investiga a relação entre os descritores de letras
identificados, popularidade (contagens de audição e contagem de visualizações de letras) e
ano de lançamento.
Dados Conjunto básico de dados e aquisição de letras

Para coletar letras de músicas, contamos com o conjunto de dados LFM-2b 28 (
http://www.cp.jku.at/datasets/LFM-2b ) de eventos de audição de usuários do last.fm,
uma vez que é um dos maiores publicamente conjuntos de dados disponíveis de
dados de audição de música. Last.fm é uma rede social online e plataforma de
streaming de música, onde os usuários podem optar por compartilhar seus dados de
audição. Ele fornece vários conectores para outros serviços, incluindo Spotify, Deezer,
Pandora, iTunes e YouTube, através dos quais os usuários podem compartilhar no
last.fm o que estão ouvindo em outras plataformas ( https://www.last.fm/about/
rastrear minha música ). Embora os serviços last.fm estejam disponíveis globalmente, a
sua base de utilizadores está distribuída geograficamente de forma desigual, com uma
forte tendência para os Estados Unidos, Rússia, Alemanha, Reino Unido, Polónia e
Brasil. Na verdade, uma análise de um subconjunto representativo de utilizadores do
last.fm revelou que os utilizadores destes seis países representam mais de metade da
base total de utilizadores do last.fm 29 .
O conjunto de dados LFM-2b contém mais de dois bilhões de registros ouvidos e mais
de cinquenta milhões de músicas de mais de cinco milhões de artistas. Enriquecemos
o conjunto de dados com informações sobre ano de lançamento, gênero, letras e
informações de popularidade das músicas. Para quantificar a popularidade de faixas e

baixar PDF
letras, distinguimos entre a contagem de escuta, ou seja, a contagem de audiência. e.,
o número de eventos de audição no conjunto de dados LFM-2b e contagem de
visualizações de letras, i. ou seja, o número de visualizações das letras na plataforma
Genius ( https://genius.com ). Ano de lançamento, informações de gênero e letras são
obtidas na plataforma Genius. Os gêneros são expressos por um gênero primário e
por muitas tags de gênero adicionais arbitrariamente. As letras na plataforma Genius
podem ser adicionadas por membros cadastrados e passar por um processo editorial
para verificação de qualidade. Usamos o pacote poliglota (
https://polyglot.readthedocs.io/ ) para inferir automaticamente o idioma das letras e
considerar apenas as letras em inglês. Adotando esse procedimento, obtemos
informações completas para 582.759 músicas.
Estilo das letras e descritores de emoção

Seguindo as linhas de pesquisas anteriores no campo da análise de letras 30 , 31 , 32 ,
caracterizamos as letras com base em descritores estilísticos (incluindo descritores de
características lexicais, de complexidade, de estrutura e de rima) e de emoção. Os
descritores lexicais incluem, por exemplo, proporção de tokens únicos, proporção de
tokens repetidos, frequência de pronomes, contagem de linhas ou contagens de
pontuação, mas também medidas de diversidade lexical 33 , 34 , pois estes
demonstraram ser marcadores adequados para o estilo textual 35 . Para quantificar a
diversidade das letras, calculamos a taxa de compressão 36 , capturando efetivamente
a repetitividade das letras e diversas medidas de diversidade. Para descritores
estruturais das letras, utilizamos os descritores identificados por Malheiro et al. 37 ,
que, por exemplo, incluem o número de vezes que o refrão é repetido, o número de
versos e refrões e o padrão de alternância de verso e refrão. Para descritores que
capturam rimas contidas em letras, extraímos, por exemplo, o número de pares
subsequentes de versos que rimam (ou seja, clerihews), rimas alternadas, rimas
aninhadas ou aliterações, mas também contamos com descritores gerais, como a
fração de rima letras 30 , pois estas demonstraram ser características do estilo das
letras 30 . Para medir a legibilidade, usamos medidas padrão como o número de
palavras difíceis ou a fórmula de Facilidade de Leitura de Flesch 38 . Além disso,
extraímos descritores emocionais das letras aplicando o amplamente utilizado

baixar PDF
dicionário Linguistic Inquiry and Word Count (LIWC) 39 , que também foi aplicado à
análise de letras 18 , 37 , 40 . Fornecemos uma lista completa de todos os descritores,
incluindo uma breve descrição e mais informações sobre como os descritores são
extraídos na Tabela 1 .
Tabela 1 Lista de todos os descritores líricos extraídos para os dois conjuntos

de dados, incluindo uma breve descrição.
análise estatística
A Figura 1 fornece uma visão geral do referencial metodológico utilizado para as
análises apresentadas. As duas análises realizadas visam (1) investigar a evolução dos
descritores ao longo de cinco décadas, realizando uma tarefa de regressão de ano de
lançamento para identificar a importância dos descritores, e (2) investigar a interação
dos descritores de letras, ano de lançamento e contagem de visualizações de letras
por realizando uma análise de regressão em um conjunto de dados contendo 12.000
músicas, balanceadas para gêneros e anos de lançamento. A combinação destas duas
análises fornece-nos resultados complementares; enquanto a primeira análise utiliza a
totalidade do nosso conjunto de dados recolhidos e, portanto, deriva conclusões
gerais sobre a importância do descritor, a segunda análise, realizada num conjunto de
dados reduzido e cuidadosamente equilibrado, fornece-nos uma análise mais
aprofundada sobre a força das relações do indivíduo. letras e descritores de
popularidade e aspectos temporais.
Análise 1: evolução dos descritores e importância dos descritores

Nesta análise, investigamos quais descritores estão mais fortemente correlacionados
com o ano de lançamento de uma música. Esperamos que os descritores que se
correlacionam mais fortemente com o ano de lançamento conduzam a modelos de
regressão com melhor desempenho. Portanto, treinamos um regressor de ano de
lançamento para cada um dos cinco gêneros. Estamos principalmente interessados
em determinar a importância de cada descritor, identificando assim os descritores que
são mais eficazes na previsão de uma tendência linear ao longo dos anos de
baixar PDF
lançamento.
Primeiro, realizamos a normalização do escore z dos descritores. Posteriormente,

removemos os descritores multicolineares utilizando o fator de inflação de variância
(VIF). Aqui, removemos iterativamente os descritores que exibiram um VIF superior a 5
até que todos os descritores restantes tenham um VIF inferior a 5 (como também
realizado na Análise 2). Análises preliminares mostraram que os dados associados aos
descritores individuais são heterocedásticos (ou seja, a variância não é homogênea,
mas depende do ano de lançamento). Para superar esse viés, utilizamos o regressor M
de Huber 41 , um regressor linear robusto amplamente utilizado.
Notavelmente, realizamos essas análises em todas as músicas disponíveis para os

cinco gêneros para os quais conseguimos extrair com sucesso todos os descritores
(totalizando 353.320 músicas). Para cada gênero, treinamos o modelo de regressão e
analisamos o desempenho do modelo e os coeficientes de regressão computados
para identificar os descritores mais importantes para determinar o ano de lançamento
das músicas. Os modelos para esta análise são construídos em Python, utilizando o
42
pacote statsmodels (através da classe Robust Linear Models ( RLM ); statsmodels
versão 0.14). Os gráficos na Fig. 2 são gerados usando a biblioteca Matplotlib 43
(versão 3.7.0) e usam gaussian_kde de scipy.stats para o cálculo da densidade 44 .
Análise 2: interação de descritores de letras, contagem de visualizações de letras e

ano de lançamento
Nesta análise, avaliamos primeiro se a contagem de visualizações das letras está
relacionada com o género musical subjacente e até que ponto tal ligação pode variar
ao longo do tempo. Posteriormente, avaliamos a evolução das letras de música pop
ao longo do tempo dentro de cada gênero musical. Presumimos que a contagem de
visualizações das letras varia entre os gêneros musicais, e essas variações podem estar
relacionadas a mudanças nas letras ao longo do tempo. Assim, para aprofundar ainda
mais a nossa compreensão da relação entre a contagem de visualizações das letras e
o género, bem como se a data de lançamento tem um papel nesta relação,
começamos por realizar uma análise de regressão logística multinomial considerando
o género como variável dependente e a interação entre popularidade e ano de

baixar PDF
lançamento como preditores, onde o número de visualizações da letra de uma música
é usado para capturar a popularidade da letra. Posteriormente, uma vez que as letras
de diferentes géneros musicais podem evoluir de forma diferente ao longo do tempo,
para investigar a relação entre a data de lançamento e os descritores das letras, um
modelo linear diferente (considerando o ano de lançamento como variável
dependente) é ajustado para cada género individualmente. Para encontrar o modelo
que melhor se ajusta aos dados de cada gênero, aplicamos o método backward
stepwise conforme apropriado em nosso estudo exploratório. A partir dos métodos
stepwise, consideramos a eliminação para trás em vez da seleção para frente para
minimizar o risco de exclusão de preditores envolvidos em efeitos supressores 45 .
Para realizar uma comparação justa, antes de iniciar as análises, o conjunto de dados
recolhido é reduzido aleatoriamente para garantir uma distribuição equilibrada de
músicas entre géneros musicais e anos. Para permitir isto, devido à distribuição
altamente distorcida dos dados ao longo do tempo, apenas as últimas três décadas
(1990-2020) puderam ser consideradas para esta análise. As médias e os desvios
padrão de todos os conjuntos de dados e dos conjuntos de dados reduzidos são em
sua maioria comparáveis entre os gêneros musicais. Há, no entanto, uma diferença
maior entre os desvios padrão para pop e country. As médias não padronizadas e os
desvios padrão para todo o conjunto de dados versus a amostragem reduzida para as
visualizações das letras e a contagem de reproduções são mostrados na Tabela 2 .
Tabela 2 Médias não padronizadas e desvios padrão ( ) para todo o conjunto

de dados (All) versus o downsampled (Down).
Um total de 2.400 itens, i. e., canções, são consideradas para cada gênero musical.
Devido à alta diversidade na unidade de medida dos preditores, i. ou seja, pontuações
de popularidade e descritores de letras, estes são normalizados por pontuação z e
valores discrepantes multicolineares são identificados pelo cálculo da distância 46 de
Mahalanobis e posteriormente removidos. Descritores altamente correlacionados
também são descartados até que todos apresentem fator de inflação de variância
menor que 5. Os resultados da regressão logística multinomial mostram que a

baixar PDF
contagem de visualizações das letras difere ao longo das décadas para os gêneros
avaliados. Portanto, investigamos a relação entre a contagem de visualizações de
letras e descritores específicos de letras, ajustando também um modelo de regressão
linear múltipla contendo a interação entre a contagem de visualizações de letras e os
outros preditores. No entanto, o modelo com a interação não é significativamente
melhor que o modelo de linha de base (para todos os gêneros musicais, a análise de
variância produz ); assim, apenas o modelo sem interação é considerado na avaliação
dos resultados da regressão linear múltipla para cada gênero. Os modelos estatísticos
da Análise 2 são construídos no software estatístico R 47 versão 4.1.2 (2021-11-01). A
48
regressão logística multinomial é realizada usando o pacote mlogit (versão 1.1-1),
enquanto os modelos lineares para cada gênero são ajustados com o pacote nlme 49
(versão 3.1-155) e comparações múltiplas entre gêneros são realizadas com o pacote
50
multcomp ( versão 1.4-25). O gráfico mostrado na Fig. 3 é gerado com o pacote
ggplot2 51 (versão 3.4.3).
Resultados e discussão
Análise 1: evolução das letras e importância do descritor

Nesta análise, estamos particularmente interessados nas características mais
importantes e, portanto, mais características para a tarefa de regressão por ano de
lançamento por gênero. Os dez principais descritores (ou seja, os descritores com os
maiores coeficientes de regressão) para cada um dos cinco gêneros em nosso
conjunto de dados são apresentados na Tabela 3 . Os valores de R obtidos por gênero
são 0,0830 para pop, 0,0717 para rock, 0,3374 para rap, 0,2600 para R&B e 0,1267
para country.
Tabela 3 Descritores líricos identificados por regressão robusta (regressor

Huber M).
Podemos identificar vários descritores que estão entre os mais importantes para vários
gêneros. O número de palavras únicas que rimam está entre os dez principais
descritores em todos os cinco gêneros analisados. O número de pontos e os
descritores de proporção de linha repetida estão entre os principais descritores em

baixar PDF
pop, rock, rap e R&B. Quatro descritores são apresentados nos principais descritores
de três gêneros cada ( proporção de versos para seções , proporção de refrões para
seções , comprimento médio do token , número de palavras difíceis (palavras com três
ou mais sílabas)). Curiosamente, ao considerar um nível de abstração mais elevado
(isto é, categorias de descritores como lexical, emoção, estrutura, rima, legibilidade ou
diversidade), observamos que os descritores lexicais emergem como a categoria
predominante em todos os cinco gêneros. Além disso, pelo menos um descritor de
rima também está entre os principais descritores de cada gênero. Quatro dos cinco
gêneros também apresentam pelo menos um descritor estrutural, enquanto o R&B
não. Enquanto para o pop, os 10 principais descritores contêm descritores lexicais,
estruturais e de rima, o rock também apresenta um descritor de legibilidade. Para rap,
country e R&B, cinco categorias de descritores estão entre os 10 primeiros.
Curiosamente, os descritores que medem a diversidade lexical das letras estão entre
os principais descritores de rap ( Summer's S, que essencialmente captura a proporção
de tipos de tokens e contagem de tokens; e Medida de Diversidade Lexical Textual
MTLD que captura o comprimento médio de sequências de tokens sequenciais que
atendem a um limite de proporção de token de tipo), país ( taxa de compressão , ou
seja, proporção do tamanho das letras compactadas zlib em comparação com as
letras originais não compactadas; e Summer's S ) e R&B ( Summer's S ). Os descritores
de emoção ocorrem apenas entre os descritores mais importantes para country (
emoção positiva ) e R&B ( emoções positivas e raiva ). Os descritores de legibilidade
estão entre os principais descritores de rock, rap e, notavelmente, o segundo descritor
mais importante para R&B (número de palavras difíceis ).
Figura 2
baixar PDF
Evolução ao longo do tempo para os descritores proporção de linha repetida e proporção de

refrão para seções de cada gênero. As linhas de regressão linear (em vermelho) mostram a
evolução dos valores dos descritores ao longo do tempo para cada descritor e gênero (os
modelos de regressão robusta M de Huber são treinados individualmente para cada
combinação de descritor e gênero). As cores azuis denotam a densidade dos pontos de
dados em uma determinada região. Os valores R e p são fornecidos nas caixas amarelas.
A Figura 2 mostra a distribuição dos valores dos descritores para proporção de linhas
repetidas e proporção de refrões para seções ao longo do tempo, separadamente para
cada um dos cinco gêneros. Cada gênero é analisado separadamente, com um
modelo de regressão robusto treinado para cada combinação descritor-gênero; as
linhas de regressão resultantes são representadas em vermelho. A proporção de linhas
repetidas aumenta ao longo do tempo para todos os cinco gêneros, indicando que as
letras estão se tornando mais repetitivas. Isto corrobora ainda mais conclusões
anteriores de que as letras estão a tornar-se cada vez mais simples 11 e que a música
mais repetitiva é considerada mais fluente e pode impulsionar o sucesso no mercado
52
. O aumento mais forte pode ser observado para rap (inclinação ), enquanto o
aumento mais fraco é exibido por país ( ). A proporção entre o refrão e o descritor de
seções se comporta de maneira semelhante em diferentes gêneros. Os valores deste

baixar PDF
descritor aumentaram para todos os cinco gêneros. Isto implica que a estrutura das
letras está mudando no sentido de conter mais refrões do que no passado,
contribuindo por sua vez para uma maior repetitividade das letras. Vemos o
crescimento mais forte nos valores deste descritor para rap ( ) e o crescimento mais
fraco para R&B ( ). O fato de o descritor da taxa de compressão (não mostrado na
figura) também mostrar um aumento em todos os gêneros, exceto R&B, corrobora
ainda mais a tendência para letras mais repetitivas. Outra observação é que as letras
parecem se tornar mais pessoais no geral. A frequência do pronome está aumentando
para todos os gêneros, exceto um ( país com ). O aumento mais forte pode ser
observado para rap ( ), seguido por pop ( ), enquanto rock ( ) e R&B ( ) apresentam um
aumento moderado. Além disso, nossa análise mostra que as letras se tornaram mais
raivosas em todos os gêneros, com o rap mostrando o aumento mais profundo da
raiva ( ). Da mesma forma, a quantidade de emoções negativas transmitidas também
aumenta em todos os géneros. Novamente o rap mostra o maior aumento ( ), seguido
pelo R&B ( m = 0,000640 m = 0,008703 m = 0,000325 m = -0,000145
m = 0,000926 m = 0,000831 m = 0,000372 m = 0,000369 m = 0,015996 m = 0,021701
m = 0,018663 m = 0,000606 m = -0,020041 m = -0,012124 m = -0,021662m =
-0,048552m = 0,000129
), enquanto o país apresenta o menor

aumento ( ). Ao mesmo tempo, testemunhamos uma diminuição nas emoções
positivas para pop ( ), rock ( ), country ( ) e R&B ( ), enquanto o rap mostra um aumento
moderado ( ).
Análise 2: interação de descritores de letras, contagem de visualizações e ano de

lançamento
O segundo conjunto de análises visa primeiro investigar a interação entre os

descritores das letras, o ano de lançamento e a audição, bem como a contagem de
visualizações das letras. A regressão logística multinomial empregada ajusta-se
significativamente melhor aos dados do que o modelo de linha de base, ou seja, e.,
um modelo nulo sem preditores, indicando um aumento na variabilidade explicada

baixar PDF
(razão de verossimilhança qui-quadrado de 314,56 com um e McFadden pseudo R de
0,01).
Para avaliar o efeito dos preditores, a classe de gênero rap (ou seja, aquela com maior
contagem média de visualizações de letras) é considerada como a classe de referência
da variável dependente. Nossos resultados mostram que a probabilidade de uma
música ser country ou rock em vez de rap, de acordo com a contagem de visualizações
da letra , varia ao longo das décadas. À medida que a contagem de visualizações das
letras aumenta, o efeito do ano aumenta ligeiramente (em probabilidades de 1,07) a
probabilidade de uma música ser country em vez de rap: , , . Diferentemente, à
medida que a contagem de visualizações das letras aumenta, o efeito de um ano
crescente diminui (em probabilidades de 0,94) a probabilidade de uma música ser de
rock em vez de rap: , , . Em outras palavras, as letras das músicas de rock mais antigas
são geralmente mais populares do que as novas em comparação com o rap, e vice-
versa para o country. Isso é visualizado na Figura 3 , mostrando os efeitos estimados
do modelo de regressão logística multinomial. A interação entre a contagem de
visualizações das letras e o ano de lançamento não mostrou um efeito significativo
para o rap em relação ao pop e R&B (cf. data * popularidade para pop e R&B).
Diferentemente, para country e rock, os coeficientes de regressão estimados são
positivos e negativos, respectivamente (cf. data * popularidade para country e rock).
Isso mostra que, em comparação com o rap, a popularidade das letras aumenta com o
tempo no country, enquanto diminui no rock. A mesma análise é realizada
considerando a contagem de músicas ouvidas em vez da contagem de visualizações
das letras, ou seja. e., realizamos regressão logística multinomial considerando o
gênero como variável dependente e a interação entre a contagem de escutas e a data
de lançamento como preditores. Esta análise mostra que a data de lançamento não
afeta a relação entre contagem de audiência e gênero
\beta (SE)=-0,05(0,01) z=-5,89 p<0,0001
, pois nenhum efeito significativo é mostrado. Embora as
contagens de audição das faixas não mostrem nenhum efeito, as contagens de
visualização das letras realmente mostram efeitos; sugerindo que, para alguns gêneros
musicais, o interesse dos fãs pelas letras vai além do consumo auditivo. Em outras
palavras, embora a contagem de peças para um determinado gênero possa não diferir
baixar PDF
significativamente, quando se trata do interesse dos ouvintes pelas letras, padrões
claros são exibidos: os fãs de rock gostam principalmente de letras de músicas mais
antigas; os fãs country estão mais interessados nas letras das novas músicas. Contudo,
o pequeno coeficiente de determinação da regressão logística multinomial mostra
que o poder explicativo do modelo é limitado; assim, valores p significativos
documentados podem resultar parcialmente, devido ao enorme tamanho da amostra,
de ruído aleatório.
Figura 3
Forest plot exibindo os coeficientes de regressão logística multinomial estimados (beta

padronizado) para predição do gênero musical. Como aula de referência, rap i. e., é
considerado o gênero com maior contagem média de visualizações de letras.
Na Tabela 4 são apresentados os resultados da regressão linear múltipla individual

realizada para cada gênero. Descobrimos que para o rap, a maior variação do ano de
lançamento (a variável dependente) pode ser explicada pelos preditores. (ou seja, ) da
variação no ano de lançamento do rap pode ser explicada pelos descritores extraídos
das letras. Isto não surpreende, pois o rap, caracterizado pelo uso de rimas semi-
faladas, é um estilo musical que tem crescido no contexto de práticas marcadas por
competências linguísticas de alto nível, como os jogos verbais competitivos 53 . Com
efeito, entre os géneros musicais avaliados, o rap é aquele em que a letra
desempenha um papel de maior destaque. O segundo gênero para o qual a maior
variação no ano de lançamento é explicada pelos descritores extraídos das letras é o
R&B ( ). Isto pode ser explicado, do ponto de vista musicológico, tendo em conta a
relação entre o R&B e outros géneros musicais. Por exemplo, o R&B foi simplificado
baixar PDF
no que diz respeito às letras (além da música), eliminando temas e tópicos
relacionados com adultos 54 . Como tal, foi um precursor do desenvolvimento do rock
and roll, o que explica a maior importância das letras na modelagem da evolução do
R&B em relação ao rock. Observe que embora utilizemos o R&B como um gênero
musical geral, outros termos posteriormente introduzidos em relação ao R&B, como
soul , também são considerados sob a égide do R&B. Isto é particularmente
importante à medida que investigamos a música lançada nas décadas mais recentes
(1990-2020) no que diz respeito à época em que o termo R&B foi originalmente
cunhado. Ao mesmo tempo, destaca a importância de contextualizar historicamente
os géneros musicais avaliados na comparação, uma vez que para além das suas
características intrínsecas (e.g., as letras têm um papel central no rap), também a sua
natureza heterogénea, neste caso, sendo o R&B mais heterogéneo do que o rock (por
exemplo, o blues e o funk sendo altamente repetitivos, enquanto o soul sofreu
mudanças substanciais e agora está liricamente na forma de música pop), também
pode ter um impacto no papel desempenhado pelas letras. Para pop, rock e country, a
quantidade de variação na data de lançamento explicada pelos preditores é menor do
que para rap e R&B, com um de 0,09 para pop e rock, 0,11 para country. Isto indica
que, ao contrário do rap e, até certo ponto, do R&B, as letras podem não ser um
indicador muito significativo do desenvolvimento de outros géneros musicais.
Tabela 4 Resultados dos modelos de melhor ajuste dos preditores de previsão

do ano de lançamento, considerando cada gênero individualmente (rap, pop,
rock, R&B e country). , o erro padrão ( SE ) e o valor p são relatados.
Os resultados mostram que a contagem de visualizações das letras tem um efeito

relevante na previsão dos anos de lançamento de músicas apenas para R&B e rock.
Para R&B, há uma relação positiva entre o ano de lançamento e a contagem de
visualizações das letras : , ; cf. contagem de visualizações de letras para rap na Tabela 4 .
Isso indica que as músicas novas são mais populares do que as antigas em termos de
visualização das letras. Diferentemente, para o rock, como esperado a partir dos
resultados obtidos na regressão logística multinomial, uma forte relação negativa

baixar PDF
entre i e i é mostrada: , ; cf. contagem de visualizações de letras para rock na Tabela 4 .
Isso indica que as músicas de rock antigas são mais populares que as recentes, o que
pode ser interpretado de uma perspectiva sociológica. Ao contrário do pop, que pode
ser visto como mais “comercial” e “efêmero”, direcionado a um público jovem e cujo
valor é tipicamente medido pelas vendas de discos, o rock tem comumente
direcionado a um público de classe média mais interessado na tradição e muitas vezes
(ideologicamente) derrotando comercialismo 55 . \beta = -1,47
p<0,001
Propriedades das letras relacionadas à complexidade e legibilidade, i. e., indicadores

de repetitividade e dificuldade associados à compreensão de um texto escrito,
respectivamente, parecem apresentar mudanças significativas ao longo do tempo
para o rap e, em menor grau, para o pop, rock e R&B. Confirmando trabalhos
anteriores 11 , a complexidade e a dificuldade das letras parecem diminuir com o
tempo para alguns gêneros musicais. No que diz respeito à complexidade, isso é
exibido pelo positivo para taxa de compressão (essencialmente capturando a
repetibilidade das letras) mostrado tanto pelo rap quanto pelo rock (cf. e ,
respectivamente, na Tabela 4 ). Isso indica que as letras desses dois gêneros tornam-se
mais fáceis de compreender com o passar do tempo, o que pode ser interpretado
como um sinal de crescente repetitividade e, portanto, de simplicidade. No entanto, a
tendência oposta é mostrada para o R&B (cf. , na Tabela 4 ), o que sugere que a
simplificação ao longo do tempo pode depender do género musical; na verdade, este
descritor não é relevante nem para o pop nem para o country. O declínio na
dificuldade das letras observado ao longo do tempo para o rap é confirmado pelo
negativo para medida de legibilidade Simple Measure of Gobbledygook (SMOG) (em
uma amostra de 30 sentenças, palavras com três ou mais sílabas são contadas e
usadas para calcular a pontuação final do SMOG). Isso indica um prejuízo na
complexidade em relação à legibilidade da letra (cf. na Tabela 4 ). Isso contradiz, até
certo ponto, o uso crescente de palavras difíceis , ao longo do tempo, mostrado para
rap ( ), ao mesmo tempo que apoia o aumento da complexidade mostrado para R&B (
) ; cf. para palavras difíceis na Tabela 4 . Esta contradição sustenta, no entanto, a
conclusão extraída da taxa de compressão , que mostra que as letras se tornam mais
repetitivas. Assim, parece que o aumento (em termos absolutos) de palavras difíceis se
baixar PDF
deve apenas às repetições nas letras. Diferentemente, ao ponderar o número de
palavras difíceis de acordo com o número de sentenças (o que é realizado no cálculo
do SMOG ), o efeito é negativo, significando que proporcionalmente ao número de
sentenças, a complexidade do texto na verdade diminui com o tempo. O aumento na
legibilidade ao longo do tempo também é confirmado para rocha, como mostrado
pela inclinação positiva para a pontuação de legibilidade de Dale-Chall (cf. na Tabela
\beta = 1,15 \beta = 0,82 \beta = -0,73 \beta \beta = -0,64 \beta = 0,57 \beta = 2,08
\beta \beta = 1,07
4 ; Dale-Chall é calculado com base em uma lista de 3.000 palavras com as
quais os alunos da quarta série devem estar familiarizados. O número de palavras
contidas na lista de palavras fáceis é contado e usado como entrada para o cálculo da
pontuação.).
Como esperado, os resultados mostram também que os descritores lexicais têm um

papel mais proeminente no rap, i. e., o gênero musical para o qual as letras são mais
relevantes. Na verdade, ao calcular os preditores em blocos entre tipos de recursos,
este é o tipo de recurso que mostra o R ajustado mais alto : para rap (0,22), seguido
por R&B (0,13). ajustado em bloco por gênero para cada tipo de recurso é o seguinte.
Para rap: Complexidade (0,04), Legibilidade (0,06), Lexical (0,22), Estrutura (0,10), Rima
(0,13), Emoção (0,02); para pop: Legibilidade (0,004), Lexical (0,06), Estrutura (0,02),
Rima (0,01), Emoção (0,01); para rock: Complexidade (0,01), Legibilidade (0,01), Lexical
(0,04), Estrutura (0,03), Rima (0,01); para R&B: Complexidade (0,01), Legibilidade (0,01),
Lexical (0,13), Estrutura (0,02), Rima (0,02), Emoção (0,04); para país: Legibilidade
(0,014), Lexical (0,09), Estrutura (0,02), Rima (0,02), Emoção (0,01). A proporção de
linhas repetidas é o único descritor que apresenta impacto significativo para todos os
gêneros, confirmando os resultados da Análise 1. A relação entre este descritor e o
ano de lançamento é positiva para todos eles (cf. positivo na Tabela 4 ), o que indica
que as letras se tornam mais repetitivas ao longo do tempo em todos os gêneros
avaliados. Esta tendência é confirmada pela relação negativa entre o ano de
lançamento e a pontuação Maas , uma medida para a diversidade lexical proposta por
Maas 56 (a pontuação modela a relação tipo-token (ou seja, a razão entre o número
total de palavras e o número total de termos únicos) em escala logarítmica), mostrado
para todos os gêneros, exceto país (para o qual este descritor não está incluído no
baixar PDF
modelo porque não apresentou uma contribuição significativa), o que indica que a
riqueza do vocabulário diminui com o tempo (cf. negativo para Maas na Tabela 4 ).
Como já mencionado, a eliminação retroativa passo a passo é usada para encontrar o
modelo mais adequado para cada gênero musical. A tendência à simplicidade ao
longo do tempo também pode ser observada na estrutura, que mostra uma
diminuição no número de seções , mais proeminentemente mostrada para R&B e rock
(cf. e , respectivamente na Tabela 4 ); bem como um incremento geral (exceto para o
país) na proporção entre versos para refrão e versos para seções (cf. positivo para
proporção de versos para seções e proporção de refrão para seções na Tabela 4 \beta
\beta = -0,75 \beta = -0,70 \beta \beta = 1,34 \beta = 0,68 \beta ^{2}
). Da mesma forma, os resultados para descritores relacionados com
rimas confirmam ainda mais a tendência para letras mais simples ao longo do tempo
para todos os géneros musicais. Isto é particularmente demonstrado pelo aumento da
percentagem de rima no rap em R&B (cf. e , respectivamente) e por um detrimento no
número de palavras que rimam (cf. .negativo para todos os gêneros), o que mostra
um declínio na variedade de rimas ao longo do tempo. No entanto, para preditores
por bloco, R ajustado ligeiramente mais alto para estrutura e rima são mostrados
apenas para rap (0,10 e 0,13, respectivamente), mas não para os outros gêneros
musicais.
No que diz respeito aos descritores de emoções, o género musical em que estes
desempenham o papel mais importante é o rap, seguido do R&B. Para o R&B os
resultados mostram que o conteúdo das letras torna-se mais negativo com o tempo,
como mostra o aumento dos conceitos relacionados com a raiva e o detrimento das
emoções positivas (cf. e , respectivamente, na Tabela 4 ). Diferentemente, para o rap, há
um aumento geral no uso de palavras relacionadas à emoção com o tempo, tanto
negativas quanto positivas (cf. positivo para todos os descritores de emoção), o que
indica uma tendência para o uso de palavras mais emocionais. Confirmando os
resultados de trabalhos anteriores 13 , como mostrado para o R&B, também para o
pop e o country, uma tendência para letras mais negativas é exibida ao longo do
tempo; para o rock, a emoção parece desempenhar um papel insignificante na
evolução das letras. Como nota final, gostaríamos de enfatizar que, uma vez que tanto
o R global como o ajustado por bloco são muito baixos, estes resultados devem ser
baixar PDF
interpretados com cautela e tomados como tendências em vez de fortes diferenças e
podem em parte resultam em parte da não aleatoriedade na subamostragem.
beta
Resumo dos resultados para ambos os estudos

Em relação ao RQ1 (Quais tendências podemos observar ao correlacionar descritores
de letras multifacetados com aspectos temporais em uma análise de evolução?),
chegamos à seguinte conclusão: Apesar dos resultados contraditórios menores em
relação à complexidade e legibilidade para rap e rock em comparação com pop e
R&B, o a interpretação do componente lexical, da estrutura e da rima da letra, para
todos os gêneros investigados, geralmente mostra que as letras estão se tornando
mais simples ao longo do tempo 11 , como mostram ambas as análises. Isto é
demonstrado por um declínio na riqueza de vocabulário para alguns gêneros
específicos, i. e., rap e rock, e por um aumento geral da repetitividade para todos os
estilos musicais avaliados. Além disso, as letras parecem ficar mais emocionais com o
tempo para o rap, e menos positivas para o R&B, pop e country. Além disso,
observamos uma tendência para letras mais raivosas em todos os gêneros. As razões
potenciais para a tendência para letras mais simples são discutidas por Varnum et al.
11
. Eles especulam que isso também pode estar relacionado à forma como a música é
consumida, à inovação tecnológica ou ao fato de a música ser ouvida principalmente
em segundo plano. Quanto ao RQ2 (Qual o papel da popularidade das músicas e das
letras neste cenário?), concluímos que, embora as contagens de audição de músicas
não mostrem quaisquer efeitos, as contagens de visualizações das letras mostram, de
facto, efeitos. Isto sugere que para o rap, rock e country, as letras desempenham um
papel mais pronunciado do que para outros géneros e que o interesse dos ouvintes
pelas letras vai além do consumo musical em si.
Limitações
Embora as nossas análises tenham resultado em insights interessantes, elas têm certas
limitações, que gostaríamos de discutir a seguir. A maioria deles está relacionada aos
vários desafios relativos à aquisição de dados e aos preconceitos resultantes nos

baixar PDF
dados que investigamos.
As duas principais fontes de dados para nossa investigação são last.fm e Genius. Dada
a natureza e a história dessas plataformas, em particular o last.fm, o conjunto de
dados LFM-2b estudado é afetado pelo preconceito da comunidade e pelo
preconceito de popularidade. Quanto ao preconceito da comunidade , embora o
last.fm não divulgue estatísticas oficiais de seus usuários, estudos de pesquisa
realizados em grandes quantidades de dados demográficos e de audição disponíveis
publicamente mostraram que a base de usuários do last.fm não é representativa do
mundo global (ou mesmo ocidental). ) população de ouvintes de música 28 , 29 . Em
particular, a comunidade last.fm representa aficionados por música que dependem do
streaming de música para o consumo diário de música. São predominantemente do
sexo masculino e têm entre 20 e 30 anos. A comunidade é também fortemente
dominada por utilizadores dos EUA, da Rússia, da Alemanha e do Reino Unido 29 , cujo
gosto musical não se generaliza para a população em geral 57 . As conclusões das
nossas análises, em particular a Análise 2, que investiga dados de consumo de música
gerados pelos utilizadores, são, portanto, válidas apenas para este subconjunto
específico de ouvintes de música. Também diretamente relacionada às nossas fontes
de dados e, principalmente, à plataforma Genius, estão as informações de gênero
utilizadas em nossas análises. Os anotadores e editores da plataforma Genius podem
atribuir um dos seis gêneros de alto nível e um número arbitrário das chamadas tags
secundárias (ou seja, subgêneros) para cada música. O alinhamento das atribuições de
gênero e subgênero é verificado pela comunidade, nenhuma hierarquia de gênero é
usada para verificar a validade das atribuições de gênero e subgênero, o que pode
introduzir atribuições de gênero malformadas.
Além disso, os dados do last.fm sobre contagens de audição e os dados do Genius

sobre contagens de visualizações de letras são propensos a viés de popularidade . Mais
precisamente, estas contagens de músicas lançadas antes do surgimento das
plataformas (2002 e 2009, respectivamente, para last.fm e Genius) subestimam as
verdadeiras frequências de audição e visualização de letras. Por um lado, isto se deve
à estrutura demográfica dos utilizadores das plataformas (ver acima); mas também
porque a maioria dos lançamentos em vinil e cassete (e até mesmo alguns CD) nunca
baixar PDF
chegaram a essas plataformas digitais online. Este tipo de viés de popularidade nos
dados investigados pode ter influenciado significativamente as tendências
identificadas para as décadas de 1970 a 2000. No entanto, apenas a Análise 2 pode ter
sido afetada por isso, uma vez que as estimativas de popularidade não são usadas na
Análise 1. E mesmo para a Análise 2, os valores de popularidade são normalizados
pelo escore Z, o que, em certa medida, explica esse tipo de viés. Ainda assim, deve-se
salientar também que a estratégia de randomização pode ter levado a um viés
amostral em termos de popularidade. Isto poderá ter afetado parcialmente os
resultados, acabando por introduzir um preconceito para os géneros pop e country,
que devido à limitação mencionada, deve ser encarado com especial cautela.
Ambas as limitações, relacionadas com o preconceito demográfico e o preconceito de

popularidade, poderiam ser ultrapassadas recorrendo a outras fontes de dados,
nomeadamente os frequentemente utilizados Billboard Charts. No entanto, a
utilização destes dados introduziria outras distorções, entre outras, uma visão do
mundo altamente centrada nos EUA, um tamanho de amostra muito mais limitado e
uma menor granularidade dos números de popularidade (apenas as classificações em
vez do jogo contam). Além disso, os gráficos da Billboard são apenas indicativos do
consumo de música, e não da visualização das letras, que estudamos particularmente
neste artigo.
Outra limitação do trabalho em questão é a restrição às letras em inglês . Essa escolha

teve que ser feita para garantir uma amostra de músicas com linguagem coerente e,
consequentemente, a comparabilidade dos resultados. Embora alguns dos descritores
também pudessem ter sido calculados para outras línguas, devido às diferentes
características das línguas (por exemplo, diferentes estruturas lexicais), uma
comparação dos descritores entre línguas não seria significativa. Além disso, a maioria
dos recursos necessários para calcular as pontuações de legibilidade e os descritores
emocionais estão disponíveis apenas para o inglês. No entanto, em trabalhos futuros,
poderíamos incluir mais línguas e realizar análises de canções dentro de cada classe
de língua num conjunto limitado de descritores adequados.
Além disso, também reconhecemos as mudanças no cenário de distribuição de discos,

baixar PDF
uma limitação adicional deste trabalho. Estas mudanças são demonstradas, por
exemplo, pelo Global Music Report 2023 58 da IFPI , que fornece provas do declínio
das receitas das vendas físicas versus o aumento constante das receitas de streaming
nas últimas duas décadas. Isto não só mudou, por exemplo, o número de músicas
num álbum, uma vez que este era fisicamente restringido em vinil ou CD, mas
também a forma como as músicas são sequenciadas 59 . Nas plataformas de
streaming, uma música é considerada consumida se for reproduzida por pelo menos
30 segundos. Conseqüentemente, os artistas pretendem iniciar suas músicas com
melodias e letras facilmente identificáveis.
Em relação aos modelos empregados, notamos que estes modelos assumem que as
mudanças nas características individuais entre os gêneros analisados são lineares.
Embora a mudança de alguns dos descritores tenha se mostrado linear (por exemplo,
simplicidade das letras (compressibilidade) 11 ou brilho, felicidade ou dançabilidade 23
), este pode não ser o caso para todos os descritores que empregamos em nossos
estudos . Na verdade, por exemplo, foi demonstrado que a concretude diminuiu até à
década de 1990 e depois aumentou 9 .
Conclusão
Nosso estudo examina a evolução das letras das músicas ao longo de cinco décadas e
em cinco gêneros. De um conjunto de dados de 353.320 músicas, extraímos
descritores lexicais, linguísticos, estruturais, de rima, de emoção e de complexidade e
realizamos duas análises complementares. Em essência, descobrimos que as letras se
tornaram mais simples ao longo do tempo em relação a vários aspectos das letras:
riqueza de vocabulário, legibilidade, complexidade e número de linhas repetidas.
Nossos resultados também confirmam pesquisas anteriores que descobriram que as
letras se tornaram mais negativas, por um lado, e mais pessoais, por outro. Além
disso, os nossos resultados experimentais mostram que o interesse dos ouvintes pelas
letras varia entre os géneros musicais e está relacionado com o ano de lançamento
das músicas. Notavelmente, os ouvintes de rock gostam de letras de músicas antigas,
enquanto os fãs de country preferem letras de músicas novas.
Acreditamos que o papel das letras tem sido pouco estudado e que os nossos
baixar PDF
resultados podem ser usados para estudar e monitorar artefatos culturais e mudanças
na sociedade. Por exemplo, poderíamos combinar e comparar os estudos sobre a
mudança de sentimento nas sociedades e as mudanças no uso de palavras carregadas
de emoção e o sentimento expresso nas letras consumidas pelos diferentes públicos
(idade, sexo, país/estado/região, formação educacional , situação econômica, etc.). De
uma perspectiva computacional, estabelecer uma compreensão mais profunda das
letras e de sua evolução pode informar outras tarefas em sistemas de recuperação e
recomendação de informações musicais. Por exemplo, os modelos de usuário
existentes poderiam ser estendidos para incluir também as preferências de letras dos
usuários, permitindo uma melhor captura das preferências e intenções do usuário e,
em última análise, melhorando as tarefas de recuperação, como acesso personalizado
à música e sistemas de recomendação.
Disponibilidade de dados
Os conjuntos de dados gerados e analisados durante o presente estudo estão

disponíveis no Zenodo: https://doi.org/10.5281/zenodo.7740045 . O código-fonte
utilizado para nossas análises está disponível em
https://github.com/MaximilianMayerl/CorrelatesOfSongLyrics .
Referências
1. Donald, R., Kreutz, G., Mitchell, L. & MacDonald, R. O que é saúde e bem-estar
musical e por que é importante? Em Música, Saúde e Bem-Estar 3–11 (Oxford
University Press, 2012).
2. Schäfer, T., Sedlmeier, P., Städtler, C. & Huron, D. As funções psicológicas da

audição musical. Frente. Psicol. 4 , 1–34. https://doi.org/10.3389/fpsyg.2013.00511
(2013).
3. Lonsdale, AJ & North, AC Por que ouvimos música? Uma análise de usos e
gratificações. Ir. J. Psicol. 102 , 108–134.
https://doi.org/10.1348/000712610x506831 (2011).
baixar PDF
4. Gross, J. Regulação emocional: fundamentos conceituais e empíricos. No Manual

de Regulação Emocional 2ª ed. (ed. Gross, J.) 1–19 (The Guilford Press, 2007).
5. Demetriou, A. M., Jansson, A., Kumar, A. & Bittner, R. M. Vocais na questão musical:
A relevância dos vocais na mente dos ouvintes. Nos Anais da 19ª Conferência da
Sociedade Internacional para Recuperação de Informações Musicais, ISMIR 514–520
(ISMIR, 2018).
6. Ali, SO & Peynircioğlu, ZF Músicas e emoções: Letras e melodias são parceiras

iguais?. Psicol. Música 34 , 511–534 (2006).
7. Brattico, E. et al. Um estudo funcional de ressonância magnética de emoções

felizes e tristes em músicas com e sem letra. Frente. Psicol. 2 , 308 (2011).
8. Moi, CMF Poesia rock: A literatura que nossos alunos ouvem. J. Imagine. Lang.
Aprender. 2 , 56–59 (1994).
9. Choi, K. & Stephen Downie, JA Análise de tendências sobre a concretude de letras

de músicas populares. Na 6ª Conferência Internacional sobre Bibliotecas Digitais
para Musicologia 43–52 (ACM, 2019). https://doi.org/10.1145/3358664.3358673 .
10. O prêmio Nobel de literatura 2016 – Bob Dylan.

https://www.nobelprize.org/prizes/literature/2016/dylan/facts/ (2016).
11. Varnum, MEW, Krems, JA, Morris, C., Wormley, A. & Grossmann, I. Por que as
letras das músicas estão se tornando mais simples? Uma análise de série
temporal da complexidade lírica em seis décadas de música popular americana.

baixar PDF
PLoS UM 16 , e0244576. https://doi.org/10.1371/journal.pone.0244576 (2021).
12. Lambert, B. et al. O ritmo da cultura moderna. Nat. Zumbir. Comporte-se. 4 , 352–
360. https://doi.org/10.1038/s41562-019-0802-4 (2020).
13. Brand, CO, Acerbi, A. & Mesoudi, A. Evolução cultural da expressão emocional em
50 anos de letras de músicas. Evoluir. Zumbir. Ciência. 1 , e11.
https://doi.org/10.1017/ehs.2019.11 (2019).
14. Eastman, JT & Pettijohn, TF Gone country: Uma investigação das músicas country
do ano da Billboard em todas as condições sociais e econômicas nos Estados
Unidos. Psicol. Pop. Culto da mídia. 4 , 155–171.
https://doi.org/10.1037/ppm0000019 (2015).
15. Pettijohn, TF & Sacco, DF A linguagem das letras. J.Lang. Soc. Psicol. 28 , 297–311.
https://doi.org/10.1177/0261927x09335259 (2009).
16. Schedl, M. Diferenças de gênero entre letras de músicas e wikis de artistas: uma
análise de popularidade, duração, repetitividade e legibilidade. Na Conferência da
World Wide Web sobre — WWW '19 3201–3207 (ACM, 2019).
https://doi.org/10.1145/3308558.3313604 .
17. Dodds, PS & Danforth, CM Medindo a felicidade da expressão escrita em grande

escala: canções, blogs e presidentes. J. Garanhão da Felicidade. 11 , 441–456.
https://doi.org/10.1007/s10902-009-9150-9 (2009).
18. DeWall, CN, Pond, RS, Campbell, WK & Twenge, JM Sintonizando a mudança
psicológica: marcadores linguísticos de traços psicológicos e emoções ao longo
do tempo em letras de músicas populares dos EUA. Psicol. Esteta. Artes de

baixar PDF
Criatividade 5 , 200–207. https://doi.org/10.1037/a0023195 (2011).
19. Berger, J. & Packard, G. As coisas atípicas são mais populares? Psicol. Ciência. 29 ,
1178–1184. https://doi.org/10.1177/0956797618759465 (2018).
20. Kim, J., Demetriou, AM, Manolios, S., Tavella, MS & Liem, CC S. Letras de manteiga
sobre canjica: Comparando recursos de texto baseados em áudio e psicologia em
tarefas MIR. Nos Anais da 21ª Conferência da Sociedade Internacional para
Recuperação de Informações Musicais, ISMIR 861–868 (2020).
21. Napier, K. & Shamir, L. Análise quantitativa de sentimento de letras de música

popular. J. Pop. Estudo musical. 30 , 161–176 (2018).
22. Christenson, PG, de Haan-Rietdijk, S., Roberts, DF e ter Bogt, TF Sobre o que a
América tem cantado? Tendências em temas nas 40 melhores músicas dos EUA:
1960–2010. Psicol. Música 47 , 194–212 (2019).
23. Interiano, M. et al. Tendências musicais e previsibilidade de sucesso em músicas

contemporâneas dentro e fora das paradas de sucesso. R.Soc. Ciência aberta. 5 ,
171274. https://doi.org/10.1098/rsos.171274 (2018).
24. Schedl, M. O conjunto de dados LFM-1b para recuperação e recomendação de

música. Nos Anais da ACM de 2016 sobre Conferência Internacional sobre
Recuperação Multimídia (ACM, 2016). https://doi.org/10.1145/2911996.2912004 .
25. Vigliensoni, G. & Fujinaga, I. O conjunto de dados de histórias de audição

baixar PDF
musical. Nos Anais da 18ª Conferência da Sociedade Internacional para
Recuperação de Informações Musicais, ISMIR 96–102 (2017).
26. Huang, J. et al. Redes de raciocínio multi-hop com reconhecimento de taxonomia

para recomendação sequencial. Nos Anais da Décima Segunda Conferência
Internacional da ACM sobre Pesquisa na Web e Mineração de Dados, WSDM '19
573–581 (ACM, 2019). https://doi.org/10.1145/3289600.3290972 .
27. Huang, J., Zhao, W.X., Dou, H., Wen, J. -R. & Chang, E. Y. Melhorando a
recomendação sequencial com redes de memória aprimoradas por
conhecimento. Na 41ª Conferência Internacional ACM SIGIR sobre Pesquisa e
Desenvolvimento em Recuperação de Informação (2018).
28. Schedl, M. et al. LFM-2b: Um conjunto de dados de eventos de audição musical

enriquecidos para pesquisa de sistemas de recomendação e análise de
imparcialidade. Na Conferência ACM SIGIR sobre Interação e Recuperação de
Informações Humanas 337–341 (2022).
29. Schedl, M. Investigando preferências musicais específicas de cada país e

algoritmos de recomendação musical com o conjunto de dados lfm-1b.
Internacional J. Multim. Inf. Retr. 6 , 71–84. https://doi.org/10.1007/s13735-017-
0118-y (2017).
30. Mayer, R., Neumayer, R. & Rauber, A. Combinação de recursos de áudio e letras
para classificação de gênero em coleções de áudio digital. Nos Anais da 16ª
Conferência Internacional ACM sobre Multimídia 337–342 (ACM Press, 2008).
https://doi.org/10.1145/1459359.1459382 .
31. Fell, M. Classificação das letras. Dissertação de mestrado, Saarland University

baixar PDF
(2014).
32. Hu, X. & Downie, J. S. Melhorando a classificação do humor em bibliotecas

digitais de música, combinando letras e áudio. Em Anais da 10ª conferência
conjunta anual sobre bibliotecas digitais — JCDL '10 159–168 (ACM Press, 2010).
https://doi.org/10.1145/1816123.1816146 .
33. Tweedie, FJ e Baayen, RH Quão variável pode ser uma constante? Medidas de
riqueza lexical em perspectiva. Computação. Zumbir. 32 , 323–352.
https://doi.org/10.1023/a:1001749303137 (1998).
34. McCarthy, PM & Jarvis, S. MTLD, vocd-D e HD-D: Um estudo de validação de

abordagens sofisticadas para avaliação da diversidade lexical. Comporte-se. Res.
Métodos 42 , 381–392. https://doi.org/10.3758/brm.42.2.381 (2010).
35. Stamatatos, E. Um levantamento dos métodos modernos de atribuição de

autoria. Geléia. Soc. Inf. Ciência. Tecnologia. 60 , 538–556 (2009).
36. Morris, C. As letras pop estão ficando mais repetitivas?

https://pudding.cool/2017/05/song-repetition (2017).
37. Malheiro, R., Panda, R., Gomes, P. & Paiva, RP Características emocionalmente
relevantes para classificação e regressão de letras musicais. IEEE Trans.
Computação Afetiva. 9 , 240–254. https://doi.org/10.1109/taffc.2016.2598569
(2018).
38. DuBay, WH Os princípios da legibilidade. Submissão Online, Instituto de Ciências

baixar PDF
da Educação (2004).
39. Tausczik, YR & Pennebaker, JW O significado psicológico das palavras: LIWC e

métodos computadorizados de análise de texto. J.Lang. Soc. Psicol. 29 , 24–54.
https://doi.org/10.1177/0261927x09351676 (2009).
40. Mihalcea, R. & Strapparava, C. Letras, música e emoções. Nos Anais da

Conferência Conjunta de 2012 sobre Métodos Empíricos em Processamento de
Linguagem Natural e Aprendizagem de Linguagem Natural Computacional 590–
599 (2012).
41. Huber, PJ Robust Statistics Vol. 523 (John Wiley & Filhos, 2004).
42. Seabold, S. & Perktold, J. Statsmodels: Modelagem econométrica e estatística

com python. Nos Anais da 9ª Conferência Python in Science Vol. 57, 10–25080
(Austin, 2010).
43. Hunter, JD Matplotlib: Um ambiente gráfico 2D. Computação. Ciência. Eng. 9 , 90–
95 (2007).
44. Virtanen, P. et al. Scipy 1.0: Algoritmos fundamentais para computação científica
em python. Nat. Métodos 17 , 261–272 (2020).
45. Field, A., Miles, J. & Field, Z. Descobrindo estatísticas usando R (Sage Publications,
2012).
46. Bagheri, A., Midi, H. & Imon, AR Método de diagnóstico robusto em duas etapas
baixar PDF
para identificação de vários pontos de alta alavancagem. J. Matemática. Estado. 5
, 97–106. https://doi.org/10.3844/jms2.2009.97.106 (2009).
47. Equipe principal R. R: Uma linguagem e ambiente para computação estatística.

Fundação R para Computação Estatística, Viena, Áustria (2021).
48. Croissant, Y. Estimativa de modelos de utilidade aleatórios em R: O pacote

mlogit. J. Stat. Suave. 95 , 1–41 (2020).
49. Pinheiro, J. et al. Pacote 'nlme'. Modelos de efeitos mistos não lineares lineares
Versão 3 , 274 (2017).
50. Hothorn, T. et al. Pacote 'multcomp'. Inferência simultânea em modelos

paramétricos gerais. Projeto de Computação Estatística, Viena, Áustria (2016).
51. Wickham, H. ggplot2: Gráficos elegantes para análise de dados (Springer-Verlag,

2016).
52. Nunes, JC, Ordanini, A. & Valsesia, F. O poder da repetição: letras repetitivas em
uma música aumentam a fluência do processamento e impulsionam o sucesso no
mercado. J. Consumir. Psicol. 25 , 187–199 (2015).
53. Toop, D., Cheney, C. e Kajikawa, L. Rap. Em New Grove Music online (música de
Oxford online).
54. Rye, H. Rhythm-and-blues. Em New Grove Music online (música de Oxford online).
55. Middleton, R. Rock. Em New Grove Music online (música de Oxford online).
baixar PDF
56. Massa, H.-D. Über den Zusammenhang zwischen Wortschatzumfang und Länge
eines Textes. Zeitschrift fur Literaturwissenschaft und Linguistik 2 , 73 (1972).
57. Lamere, P. Marcação social e recuperação de informações musicais. J. Nova

resolução musical. 37 , 101–114 (2008).
58. Federação Internacional da Indústria Fonográfica. Relatório global de música

2023. https://globalmusicreport.ifpi.org/ (2023).
59. Pedra rolando. Acha que tem um sucesso? Certifique-se de que seja a primeira
música do seu álbum. https://www.rollingstone.com/music/music-features/why-
the-first-song-on-the-album-is-the-best-803283/ (2019).
60. Miller, GA WordNet: Um banco de dados lexical para inglês. Comum. ACM 38 ,
39–41 (1995).
61. Nielsen, F.Å. Um novo NOVO: Avaliação de uma lista de palavras para análise de
sentimento em microblogs. Pré-impressão do arXiv arXiv :1103.2903 (2011).
62. Hu, M. & Liu, B. Mineração e resumo de avaliações de clientes. Nos Anais da
décima Conferência Internacional ACM SIGKDD sobre Descoberta de
Conhecimento e Mineração de Dados 168–177 (2004).
63. Wilson, T., Wiebe, J. & Hoffmann, P. Reconhecendo a polaridade contextual na

análise de sentimento em nível de frase. Em Proceedings of Human Language
Technology Conference e Conference on Empirical Methods in Natural Language

baixar PDF
Processing 347–354 (2005).
64. Go, A., Bhayani, R. & Huang, L. Classificação de sentimento do Twitter usando
supervisão distante. Relatório do projeto CS224N Stanford 1 , 2009 (2009).
65. Sebastiani, F. & Esuli, A. Sentiwordnet: Um recurso lexical disponível

publicamente para mineração de opinião. Em Anais da 5ª Conferência
Internacional sobre Recursos Linguísticos e Avaliação 417–422 (Associação
Europeia de Recursos Linguísticos (ELRA), 2006).
66. Mohammad, SM & Turney, PD Léxico emocional do NRC. Nacional. Res. Conselho
Pode. 2 , 234 (2013).
67. Dodds, PS, Harris, KD, Kloumann, IM, Bliss, CA & Danforth, CM Padrões temporais
de felicidade e informação em uma rede social global: Hedonometria e Twitter.
PLoS ONE 6 , e26752 (2011).
Reconhecimentos
Esta pesquisa foi financiada total ou parcialmente pelo Austrian Science Fund (FWF):
10.55776/P33526 ( https://doi.org/10.55776/P33526 ) e 10.55776/DFH23 (
https://doi.org/10.55776 /DFH23 ). Para fins de acesso aberto, o autor aplicou uma
licença de direitos autorais públicos CC BY a qualquer versão do manuscrito aceita
pelo autor resultante desta submissão.
Informação sobre o autor
Contribuíram igualmente estes autores: Emilia Parada-Cabaleiro e Maximilian Mayerl.
Autores
baixarePDF
Afiliações
Grupo de Mineração e Pesquisa Multimídia, Instituto de Percepção Computacional, Universidade Johannes Kepler Linz, Linz,
Áustria
Markus Schedl
Departamento de Pedagogia Musical, Universidade de Música de Nuremberg, Nuremberg, Alemanha

Emília Parada-Cabaleiro
Laboratório de IA, Grupo de IA Centrado no Ser Humano, Instituto de Tecnologia de Linz, Linz, Áustria
Stefan Brandl e Markus Schedl
Departamento de Ciência da Computação, Universidade de Innsbruck, Innsbruck, Áustria

Maximilian Mayerl e Eva Zangerle
Instituto Austríaco de Pesquisa para Inteligência Artificial, Viena, Áustria

Marcin Skowron
Universidade de Tecnologia de Graz, Graz, Áustria

Elizabeth Lex
Contribuições
EP-C.: conceituação, metodologia, software, investigação, redação; MM: conceituação,
metodologia, software, investigação, redação; SB: curadoria de dados; MS:
conceituação, metodologia, software, investigação, redação; MS: conceituação,
metodologia, redação; EL: conceituação, metodologia, redação; EZ: conceituação,
metodologia, software, investigação, redação.
autor correspondente
Correspondência para Eva Zangerle .
Declarações éticas
Interesses competitivos
Os autores declaram não haver interesses conflitantes.
Informações adicionais
Nota do editor
A Springer Nature permanece neutra em relação a reivindicações jurisdicionais em
mapas publicados e afiliações institucionais.
Direitos e permissões
baixar PDF
Acesso aberto Este artigo está licenciado sob uma Licença Internacional Creative
Commons Atribuição 4.0, que permite o uso, compartilhamento, adaptação,
distribuição e reprodução em qualquer meio ou formato, desde que você dê o devido
crédito ao(s) autor(es) original(is) e à fonte, forneça um link para a licença Creative
Commons e indique se foram feitas alterações. As imagens ou outros materiais de
terceiros neste artigo estão incluídos na licença Creative Commons do artigo, salvo
indicação em contrário na linha de crédito do material. Se o material não estiver
incluído na licença Creative Commons do artigo e o uso pretendido não for permitido
por regulamentação legal ou exceder o uso permitido, você precisará obter permissão
diretamente do detentor dos direitos autorais. Para visualizar uma cópia desta licença,
visite http://creativecommons.org/licenses/by/4.0/ .
Reimpressões e permissões
Sobre este artigo
Cite este artigo

Parada-Cabaleiro, E., Mayerl, M., Brandl, S. et al. As letras das músicas tornaram-se mais simples e
repetitivas nas últimas cinco décadas. Sci Rep 14 , 5531 (2024). https://doi.org/10.1038/s41598-
024-55742-x
Recebido Aceitaram Publicados

30 de março de 2023 27 de fevereiro de 2024 28 de março de 2024
DOI
https://doi.org/10.1038/s41598-024-55742-x
Compartilhe este artigo

Qualquer pessoa com quem você compartilhar o link a seguir poderá ler este conteúdo:
Obtenha link compartilhável
Fornecido pela iniciativa de compartilhamento de conteúdo Springer Nature SharedIt
Palavras-chave
baixar PDF Música • Letra da música • Análise • Popularidade • Gênero
assuntos Ciência computacional • Ciência da Computação
Relatórios Científicos ( Sci Rep ) ISSN 2045-2322 (on-line)

As Letras Das Músicas Tornaram-Se Mais Simples e Repetitivas Nas Últimas Cinco Décadas - Relatórios Científicos

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

As Letras Das Músicas Tornaram-Se Mais Simples e Repetitivas Nas Últimas Cinco Décadas - Relatórios Científicos

Enviado por

Direitos autorais:

Formatos disponíveis

05/04/2024, 17:50 As letras das músicas tornaram-se mais simples e repetitivas nas últimas cinco décadas | Relatórios Científicos

natureza relatórios científicos artigos artigo

Artigo Acesso livre Publicados:28 de março de 2024

As letras das músicas tornaram-se mais simples e repetitivas nas

Relatórios Científicos 14 , Número do artigo: 5531 ( 2024 )

Acessos 24k 2882 ​Altmétrico Métricas

A música é onipresente em nossa vida cotidiana e as letras desempenham um papel

Conteúdo semelhante sendo visualizado por outras pessoas

O papel do tamanho da O desenvolvimento Explorando os

Artigo Acesso aberto Artigo Acesso aberto Artigo Acesso aberto

Estamos rodeados de música todos os dias; está presente na sociedade atual 1 e

Estudos que investigam a evolução temporal das letras concentram-se

159.015 canções pop, abrangendo de 1965 a 2015, para investigar a proliferação de

Estudos sobre a evolução temporal da música também analisaram as mudanças

Apesar dos esforços anteriores para compreender as funções, propósitos, evolução e

Para nossas análises, criamos um conjunto de dados contendo 353.320 letras de

Dados Conjunto básico de dados e aquisição de letras

informações de popularidade das músicas. Para quantificar a popularidade de faixas e

Estilo das letras e descritores de emoção

extraímos descritores emocionais das letras aplicando o amplamente utilizado

Tabela 1 Lista de todos os descritores líricos extraídos para os dois conjuntos

Análise 1: evolução dos descritores e importância dos descritores

Primeiro, realizamos a normalização do escore z dos descritores. Posteriormente,

Notavelmente, realizamos essas análises em todas as músicas disponíveis para os

(versão 3.7.0) e usam gaussian_kde de scipy.stats para o cálculo da densidade 44 .

Análise 2: interação de descritores de letras, contagem de visualizações de letras e

o género como variável dependente e a interação entre popularidade e ano de

Tabela 2 Médias não padronizadas e desvios padrão ( ) para todo o conjunto

menor que 5. Os resultados da regressão logística multinomial mostram que a

Análise 1: evolução das letras e importância do descritor

Tabela 3 Descritores líricos identificados por regressão robusta (regressor

descritores de proporção de linha repetida estão entre os principais descritores em

Evolução ao longo do tempo para os descritores proporção de linha repetida e proporção de

seções se comporta de maneira semelhante em diferentes gêneros. Os valores deste

), enquanto o país apresenta o menor

Análise 2: interação de descritores de letras, contagem de visualizações e ano de

O segundo conjunto de análises visa primeiro investigar a interação entre os

um modelo nulo sem preditores, indicando um aumento na variabilidade explicada

Forest plot exibindo os coeficientes de regressão logística multinomial estimados (beta

Na Tabela 4 são apresentados os resultados da regressão linear múltipla individual

Tabela 4 Resultados dos modelos de melhor ajuste dos preditores de previsão

Os resultados mostram que a contagem de visualizações das letras tem um efeito

resultados obtidos na regressão logística multinomial, uma forte relação negativa

Propriedades das letras relacionadas à complexidade e legibilidade, i. e., indicadores

Como esperado, os resultados mostram também que os descritores lexicais têm um

Resumo dos resultados para ambos os estudos

vários desafios relativos à aquisição de dados e aos preconceitos resultantes nos

Além disso, os dados do last.fm sobre contagens de audição e os dados do Genius

Ambas as limitações, relacionadas com o preconceito demográfico e o preconceito de

Outra limitação do trabalho em questão é a restrição às letras em inglês . Essa escolha

Além disso, também reconhecemos as mudanças no cenário de distribuição de discos,

Os conjuntos de dados gerados e analisados ​durante o presente estudo estão

2. Schäfer, T., Sedlmeier, P., Städtler, C. & Huron, D. As funções psicológicas da

4. Gross, J. Regulação emocional: fundamentos conceituais e empíricos. No Manual

6. Ali, SO & Peynircioğlu, ZF Músicas e emoções: Letras e melodias são parceiras

7. Brattico, E. et al. Um estudo funcional de ressonância magnética de emoções

9. Choi, K. & Stephen Downie, JA Análise de tendências sobre a concretude de letras

10. O prêmio Nobel de literatura 2016 – Bob Dylan.

temporal da complexidade lírica em seis décadas de música popular americana.

17. Dodds, PS & Danforth, CM Medindo a felicidade da expressão escrita em grande

do tempo em letras de músicas populares dos EUA. Psicol. Esteta. Artes de

21. Napier, K. & Shamir, L. Análise quantitativa de sentimento de letras de música

23. Interiano, M. et al. Tendências musicais e previsibilidade de sucesso em músicas

Acessos 24k 2882 Altmétrico Métricas

Os conjuntos de dados gerados e analisados durante o presente estudo estão