• Abstract and Figures
• Public Full-text

Een Sociaal Netwerk Onder Muziekartiesten: Een analyse van het sociaal netwerk van muzikanten en daaraan verbonden muzikale kenmerken Gegevens student B.J.G.M. Kuppens Corporate Communication & Digital Media Universiteit van Tilburg [email protected] Begeleiding dr. J. J. Paijmans Faculteit Geesteswetenschappen dpt. Comm.‐ Infor.wetensch [email protected] 1 Abstract Dit onderzoek verdiept zich in de structuur van het sociaal netwerk van muziekartiesten. Wat onderzocht wordt, is of er binnen dit sociaal netwerk een zogenaamde power law verdeling te ontdekken valt. Dit is interessant vanwege de maatschappelijke relevantie van power law structuren in de samenleving. Om dit vast te stellen is er gekeken naar wie de meest invloedrijke artiesten zijn en van wie er de meeste nummers gecoverd zijn. De verwachting is dat er relatief weinig artiesten zijn met relatief veel invloed op medeartiesten, en overeenkomstig staan veel artiesten die weinig invloed hebben op hun medeartiesten. Hetzelfde fenomeen wordt verwacht bevestigd te worden voor gecoverde nummers. Nadat is gebleken dat de structuur van het sociaal netwerk onder muziekartiesten daadwerkelijk de kenmerken vertoont van een power law verdeling, is er vervolgens nog gekeken naar een viertal muzikale kenmerken van de meest invloedrijke artiesten gevonden tijdens dit onderzoek. Het betreft het genre, de muziekstijl, stemming van de muziek en de instrumentatie die een bepaalde artiest uitoefende. Ook van deze variabelen is er een frequentieverdeling gemaakt en is er gekeken of er op een power law gelijkende verdeling is. Dit bleek alleen bij de variabelen genre en instrumentatie het geval te zijn. Muziekstijl in mindere mate en wat stemming betreft zijn er geen dominante items gevonden. 2 Inhoudsopgave Blz. 1. Inleiding 4 1.1 Introductie 4 1.1.1 Netwerkstructuur 4 1.1.2 Schaal‐vrije netwerken 5 1.2 Context 6 1.2.1 De power‐law 6 1.2.2 Doelstelling 7 2. Data acquisitie 9 2.1 Methoden 9 2.1.1 Variabelen 9 2.1.2 Dataverzameling 11 2.1.3 Verzamelen van data 12 2.1.4 Samenstellen lijst onderzocht muzikanten 14 2.2 Kwaliteit van de data 17 2.2.1 Procedureel 17 2.2.2 Genre (genre) 17 2.2.3 Muziekstijl (style) 18 2.2.4 Muzikale stemming (moods) 18 2.2.5 Instrumentatie (instruments) 18 2.2.6 Beïnvloed door (Influenced by) 19 2.2.7 Heeft beïnvloed (followers) 19 2.2.8 Covers (performed songs by) 19 2.2.9 Jaartallen 19 3. Resultaten 21 3.1 Sociaal Netwerk onder muziekartiesten 21 3.2 Muzikale kenmerken van de topartiesten 23 4. Discussie 26 5. Conclusie 30 6. Literatuur 32 Bijlage 1: Screenshots allmusic.com 34 Bijlage 2: Rangschikkingen variabelen 36 3 1. Inleiding Dit hoofdstuk bestaat uit een sectie met een op literatuur gebaseerde ‘Introductie’ en een sectie ‘Context’, waarin de achtergrond van dit onderzoek wordt uitgelegd. De sectie ‘Introductie’ informeert over de literatuur over sociale netwerken. De belangrijkste begrippen binnen dit vakgebied worden uitgelegd, zodat de lezer voldoende kennis voor handen heeft om dit artikel volledig te kunnen begrijpen. In de sectie ‘Context’ wordt een beeld gecreëerd van de achtergrond van sociale netwerken en de muziekartiesten. Besproken wordt, hoe en waarom dit onderzoek maatschappelijk relevant is, waarna de focus zich vervolgens zal richten op de doelstelling van het onderzoek. 1.1 Introductie 1.1.1 Netwerkstructuur Het begrip ‘sociaal netwerk’ is in de digitale eeuw een veel voorkomende term. De gedachten bij dit begrip gaan al gauw naar websites als facebook.com of naar het aantal contacten dat een individu heeft. Maar hoeveel contacten heeft iemand gemiddeld? Heeft de één meer contacten dan de ander? Hoe ziet de structuur van een sociaal netwerk eruit? Van complexe netwerken, zoals bijvoorbeeld het sociaal netwerk, zijn small‐world netwerken misschien wel het meest bekend. Het small‐ world fenomeen is al jarenlang een onderwerp van onderzoek. Het meest bekende voorbeeld ervan is het ontmoeten van iemand die op het eerste oog een complete onbekende lijkt, waarmee men niets gemeen heeft. Vervolgens blijkt na een kort gesprek al, dat deze twee onbekenden, toch ergens een gemeenschappelijke kennis hebben. Dit is precies wat het small‐world concept inhoudt (Watts, 1999). Onderzoek naar small‐worlds begon al in 1967 door Milgram (Milgram, 1967), die beweerde dat ieder individu in deze wereld binnen zes contacten, ook wel de six‐degrees‐of‐separation genoemd, in connectie kan worden gebracht met ieder ander willekeurig individu ter wereld, een grafische weergave staat in afbeelding 1. Het bestaan van small‐world netwerken is al verschillende keren op allerlei gebieden aangetoond. Zo is het small‐word concept toepasbaar op het transportnetwerk van Boston (Latora & Marchioni, 2002), de verdeling van burgers over de steden (Mansury & Guljás, 2007), de onderwater leefwereld (Seuront, Mitchell, 2008) en de verdeling van brandhaarden binnen een stad (Song, et al., 2003). 4 Afbeelding 1 Grafische weergave van de ‘Six­Degrees­of­Separation’ 1.1.2 Schaal­vrije netwerken Over de vorm/structuur van small‐world netwerken schrijven Amaral, Scala en Barthe (2000) dat er drie categorieën netwerken bestaan in de echte wereld, waarbij dit paper zal zich focussen op het zogenaamde schaal­vrije netwerk. Dit zijn netwerken waarvan de verdeling een power law volgt (Barabási & Bonabeau, 2003). De naam ‘schaal­vrije network’ komt van het feit dat in deze netwerken, op wat voor schaal dan ook, de vorm van de verdeling altijd hetzelfde zal blijven. Dit kan het beste duidelijk worden gemaakt aan de hand van een voorbeeld. Wanneer op een computer de verdeling tussen files van 2Kb en die van 1Kb 1:4 is, deze verhouding hetzelfde zal blijven wanneer er gekeken gaat worden naar de verhouding tussen files van 2Mb en die van 1Mb. De verhouding zal ook dan 1:4 zijn. Deze eigenschap is echter zeker niet toe te kennen aan iedere verdeling; alleen aan verdelingen die de vorm van een power law vertonen (Newman, 2005). Deze hebben twee belangrijke eigenschappen. Allereerst dat deze netwerken onder andere continu blijven groeien, er komen dus alsmaar nieuwe connecties bij. Ten tweede hechten deze nieuwe connecties voor het overgrote deel aan knopen die al de meeste connecties hebben (Barabási & Albert, 1999). Deze twee eigenschappen zorgen ervoor dat de verdeling van connecties over de verschillende knopen geen normaal verdeling krijgt, maar een power law volgt. Een power law is een wiskundige relatie tussen twee grootheden. Grafisch zien deze verdelingen eruit als een kromme, snel dalende lijn op standaard schaal, op een log‐ log schaal zal de grafische vertoning de vorm van een min of meer rechte lijn krijgen. Wiskundig gezien heeft een dergelijke functie de volgende vorm: 1 5 De variabele α is de exponent van de power law is en waarin C een constante is. Door van beide leden het logaritme te nemen ontstaat: log log log 2 Dit zorgt ervoor dat er op dubbellogaritmisch papier een lineair verband wordt getoond (Newman, 2005). Bekende voorbeelden van power law verdelingen zijn onder andere Zipf’s Law, Benford’s law, Bradford’s law, Lotka’s law en het Pareto principe. De power law verdeling is al meerdere malen aangetoond in zeer verscheidene omgevingen. Zo zijn er power law verdelingen te vinden in aardbevingen (Gutenberg & Richter, 1944), kraters op de maan (Neukum & Ivanov, 1994), computer files (Crovella & Bestavros, 1996), de frequentie van woorden die mensen gebruiken (Zipf, 1949) en het over het inkomen (Pareto, 1896). Ook onder sociale netwerken zijn power law verdelingen te vinden. Zo is dit patroon al meerdere malen aangetoond in verscheidene sociale netwerken, onder andere: menselijke seksuele contacten (Bearman, Moody & Stovel, 2004), de verdeling van citaten in wetenschappelijke artikelen (de Solla Price, 1965), forum posts (Bird, et al., 2006), samenwerking tussen wetenschappers (Barabási, et al., 2002; Newman, 2001), verwijzingen naar Youtube‐filmpjes (Chenge, Dale & Liu, 2008), de verdeling van projecten onder open‐source software ontwikkelaars (Madey, Freeh & Tynan, 2002), connecties tussen Hollywood acteurs (Watts, 1999) en tot slot de verwijzingen naar online winkels (Stephen & Toubia, 2009). 1.2 Context 1.2.1 De power­law verdeling Onderzoek naar sociale netwerken is relevant vanuit verschillende invalshoeken. Maar al deze invalshoeken komen erop neer, dat wanneer de netwerkstructuur de vorm van een power law volgt, er enkele knopen zijn met relatief veel connecties en heel veel knopen met relatief weinig connecties. In de volksmond staat dit verschijnsel beter bekend als de 80‐20 regel (Pareto, 1896). Deze wil zeggen dat 20% van de knopen 80% van de connecties bezit. Daartegenover staat dat de overige 80% van de knopen de overgebleven 20% van de connecties mag verdelen. Een voorbeeld hoe een zodanige verdeling er grafisch uitziet, treft u aan in afbeelding twee. Deze regel is eenvoudig, maar heeft grote gevolgen in bijvoorbeeld de medische wereld, de computerindustrie en het bedrijfsleven. Wanneer er bijvoorbeeld een virus terecht komt in een knoop met veel connecties, zal in een mum van tijd het een groot gedeelte van het netwerk geïnfecteerd zijn. Een netwerk met een power law distributie is gevoeliger voor aanvallen van buitenaf. Door kennis over het netwerk is men beter in staat een netwerk te beveiligen, omdat men beter bekend is met de sterkten en zwakten van het netwerk. In het bedrijfsleven is het belang net zo groot. Voor een bedrijf kan het bijzonder nuttige informatie zijn om te weten of bedrijfspartners veel connecties hebben of juist in het segment vallen met weinig connecties. 6 Afbeelding 2 Voorbeeld van een Grafiek die de Structuur van een Power Law weergeeft (Wikipedia, 2010). Het dominante deel (groen) zorgt voor 80% van de inhoud, terwijl de lange staart (geel) voor slechts 20% van de inhoud zorgt. Beter bekend als de 80­20 regel. Dit onderzoek gaat zich focussen op het netwerk van artiesten binnen de muziekindustrie, een grootschalige industrie, waarin wereldwijd in het jaar 2009 meer dan 17 miljard Amerikaanse dollars in omgingen (IFPI, 2010).

Load more

  43

Copy Link