論文の概要: The Shrinking Sweet Spot: How Algorithms, Institutions, and Social Priors Shape Musical Ecosystems

• arxiv url: http://arxiv.org/abs/2604.20873v1
• Date: Sat, 28 Mar 2026 16:56:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 02:32:14.135633
• Title: The Shrinking Sweet Spot: How Algorithms, Institutions, and Social Priors Shape Musical Ecosystems
• Title（参考訳）: スライキング・スウィートスポット:アルゴリズム、制度、社会的優先がいかに音楽生態系を形作るか
• Authors: Fabio Lokwani Di Matteo, Pier Luigi Sacco,
• Abstract要約: 我々は、露出、社会的影響、制度的ゲートキーピング、アルゴリズム的キュレーションが、リスナーが好むものを形成するためにどのように作用するかを示す。 我々はこれを、嗜好、情報、消費環境が共進化する逐次選択モデルとして定式化する。 我々はこの枠組みを4つの全国的な音楽エコシステムに対して検証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Why do some national music markets sustain a rich musical diversity whereas others converge on mostly formulaic output? The existing models of cultural consumption (superstar economics, rational addiction, Bayesian social learning) each capture part of the answer, but none can explain how exposure, social influence, institutional gatekeeping, and algorithmic curation interact to shape what listeners come to prefer. We address this gap by modeling musical taste as a learning process rather than a fixed parameter: a listener's evaluative disposition evolves with each encounter, shaped by the balance between the comfort of the familiar and the reward of the new. Drawing on the active inference framework from cognitive science, we formalize this as a sequential choice model in which preferences, information, and the consumption environment co-evolve, and show how the framework nests and extends key mechanisms from the three canonical economic models. An agent-based simulation generates four predictions: algorithmic curation suppresses consumption diversity beyond a sharp nonlinear threshold; institutional structure determines winner-take-all intensity through confirmatory cross-system contrasts; cultural capital buffers listeners against homogenization; and high-curation, high-conformity systems collapse supply-side dispersion relative to pluralistic ecosystems. We test the framework against four national music ecosystems (Italy's Festival di Sanremo, Brazil, South Korea, and the United Kingdom), identifying structural determinants of ecosystem vitality on both the supply and demand sides. The welfare implications are direct: because listeners' preferences adapt to impoverished environments through the very learning mechanisms the model describes, revealed preference analysis cannot reliably evaluate the outcomes of cultural markets.
• Abstract（参考訳）: なぜ一部の国の音楽市場は豊かな音楽の多様性を維持しているのか。 既存の文化消費モデル(スーパースター・エコノミクス、合理的中毒、ベイジアン社会学習)は、それぞれ答えの一部を捉えているが、露出、社会的影響、制度的ゲートキーピング、アルゴリズム的キュレーションがどのようにしてリスナーが好むものを形成するかを説明できない。 聴取者の評価的態度は,親しみのある人の快適さと新人の報酬のバランスによって形成される。 認知科学からのアクティブな推論フレームワークをベースとして、我々はこれを、嗜好、情報、消費環境が共進化するシーケンシャルな選択モデルとして定式化し、このフレームワークがどのようにして3つの標準経済モデルから重要なメカニズムをネストし拡張するかを示す。 エージェントベースのシミュレーションでは, アルゴリズムキュレーションは, 急激な非線形しきい値を超えて消費の多様性を抑える, 機関構造は, 確認されたクロスシステムのコントラストを通じて, 優勝者全員の強度を決定する, 文化資本バッファーは均質化に対するリスナーを, 複数生態系に対する供給側分散を崩壊させる, という4つの予測を生成する。 本枠組みは,ブラジルのサンレモ音楽祭,ブラジル,韓国,イギリスの4つの国産音楽エコシステムに対して,供給・需要両面における生態系活力の構造決定因子を同定する。 モデルが記述する非常に学習的なメカニズムを通じて、リスナーの嗜好が不十分な環境に適応するため、選好分析は文化市場の結果を確実に評価することはできない。

関連論文リスト

• SocialOmni: Benchmarking Audio-Visual Social Interactivity in Omni Models [86.19617358080016]
  Social Omniは、3つのコア次元にわたる対話性の評価を運用するベンチマークである。 Social Omniは2000の知覚サンプルと209の相互作用生成インスタンスの品質管理された診断セットを備えている。 本分析により,モデルの知覚的精度と,文脈的に適切な割り込みを生成する能力との間に顕著な疎結合が明らかとなった。
  論文  参考訳（メタデータ） (2026-03-17T17:58:44Z)
• The Third Ambition: Artificial Intelligence and the Science of Human Behavior [0.0]
  大型言語モデル (LLMs) は、前代未聞の人間の生成したテキストに基づいて訓練されている。 LLMは、人々がどう議論し、正当化し、ナレーションし、社会ドメイン間で規範を交渉するかにおいて、大規模な規則を符号化する。 この論文は、計算社会科学の長年の伝統の中で、この第3の野望を描いている。
  論文  参考訳（メタデータ） (2026-03-07T20:21:58Z)
• TerraLingua: Emergence and Analysis of Open-endedness in LLM Ecologies [12.634456617165634]
  本稿では,このようなシステムにおけるオープン・エンド・ダイナミックスの研究を目的とした,永続的なマルチエージェント生態学であるTerraLinguaを紹介する。 静的あるいは結果のない環境での以前の大規模言語モデルシミュレーションとは異なり、TerraLinguaはリソース制約とエージェントの寿命制限を課している。 ダイナミクスを特徴づけるために、AI人類学者はエージェントの振る舞い、グループ構造、アーティファクトの進化を体系的に分析する。
  論文  参考訳（メタデータ） (2026-03-06T17:04:59Z)
• Fairness in Opinion Dynamics [0.7340017786387767]
  最先端のモデルが特定の少数民族を識別し、どの集団が悪化するかを確実に予測できるかどうかを考察する。 本研究は,このアルゴリズムがどのアルゴリズムで不正確な予測を行うかを評価する際に,3つの分類器モデル(デモグラフィーベース,トポロジーベース,ハイブリッド)がどのように機能するかを検討する。 個人属性とネットワーク構造の両方を取り入れた多面的アプローチは、アルゴリズムバイアスを低減する上で不可欠である、と結論付けている。
  論文  参考訳（メタデータ） (2026-01-07T12:15:02Z)
• Probing the Preferences of a Language Model: Integrating Verbal and Behavioral Tests of AI Welfare [0.03125141879014581]
  言語モデルにおける福祉測定のための新しい実験パラダイムを開発する。 我々は,仮想環境をナビゲートする際の行動によって表現される嗜好と,それらの嗜好に関するモデルの言葉による報告を比較した。 また、コストと報酬が行動にどのように影響するか、そしてユーダム的福祉尺度に対する反応が意味論的に等価なプロンプト間で一致しているかを検証した。
  論文  参考訳（メタデータ） (2025-09-09T17:48:44Z)
• Auto-Regressive vs Flow-Matching: a Comparative Study of Modeling Paradigms for Text-to-Music Generation [36.11407262818182]
  最先端システム(SOTA)は、トレーニングデータセット、モデリングパラダイム、アーキテクチャ選択など、多くの面で大きく異なる。 本研究はモデリングパラダイムにのみ焦点をあてる。 自動回帰デコーディングと条件付きフローマッチングという,最も一般的な2つのモデリングパラダイムを比較した。
  論文  参考訳（メタデータ） (2025-06-10T08:37:45Z)
• Ecosystem-level Analysis of Deployed Machine Learning Reveals Homogeneous Outcomes [72.13373216644021]
  本研究では,機械学習の社会的影響を,特定の文脈に展開されるモデルの集合を考慮し検討する。 デプロイされた機械学習はシステム障害を起こしやすいため、利用可能なすべてのモデルに排他的に誤分類されているユーザもいます。 これらの例は、エコシステムレベルの分析が、機械学習の社会的影響を特徴づける独自の強みを持っていることを示している。
  論文  参考訳（メタデータ） (2023-07-12T01:11:52Z)
• Stable Bias: Analyzing Societal Representations in Diffusion Models [72.27121528451528]
  本稿では,テキスト・ツー・イメージ(TTI)システムにおける社会的バイアスを探索する新しい手法を提案する。 我々のアプローチは、プロンプト内の性別や民族のマーカーを列挙して生成された画像の変動を特徴づけることに依存している。 我々はこの手法を利用して3つのTTIシステムによって生成された画像を分析し、そのアウトプットが米国の労働人口層と相関しているのに対して、彼らは常に異なる範囲において、限界化されたアイデンティティを低く表現している。
  論文  参考訳（メタデータ） (2023-03-20T19:32:49Z)
• Picking on the Same Person: Does Algorithmic Monoculture lead to Outcome Homogenization? [90.35044668396591]
  機械学習における繰り返しのテーマはアルゴリズムによるモノカルチャーである。同じシステム、またはコンポーネントを共有するシステムは、複数の意思決定者によってデプロイされる。 意思決定者がトレーニングデータや特定のモデルなどのコンポーネントを共有すれば、より均一な結果が得られます。 我々はこの仮説をアルゴリズムフェアネスベンチマークで検証し、トレーニングデータの共有がホモジェナイゼーションを確実に悪化させることを示した。 結果の均質化に関する哲学的分析と社会的な課題を、デプロイされた機械学習システムに含めることに着目して結論付ける。
  論文  参考訳（メタデータ） (2022-11-25T09:33:11Z)
• Causal Fairness Analysis [68.12191782657437]
  意思決定設定における公平性の問題を理解し、モデル化し、潜在的に解決するためのフレームワークを導入します。 我々のアプローチの主な洞察は、観測データに存在する格差の定量化と、基礎となる、しばしば観測されていない、因果的なメカニズムの収集を結びつけることである。 本研究は,文献中の異なる基準間の関係を整理し,説明するための最初の体系的試みであるフェアネスマップにおいて,本研究の成果を左右するものである。
  論文  参考訳（メタデータ） (2022-07-23T01:06:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。