Desarrollo de un modelo de elicitación de emociones a partir de las características de la música : Generación de un sistema recomendado

Autores
Ospitia Medina, Yesid
Año de publicación
2024
Idioma
español castellano
Tipo de recurso
tesis doctoral
Estado
versión aceptada
Colaborador/a o director/a de tesis
Baldassarri Santalucía, Sandra
Beltrán, José Ramón
Descripción
La computación afectiva, como área de investigación, ha logrado un importante desarrollo en los últimos años. Las actuales investigaciones han demostrado su utilidad, permitiendo medir la intensidad de las emociones a través de la tecnología, y con estos resultados implementar acciones que permitan crear beneficios para la humanidad en diferentes contextos. Uno de estos casos particulares, apuntan al estudio de la música y su relación con las emociones. Esta Tesis tiene como objetivo general el diseño de un sistema recomendador musical basado en emociones. Para abordar este objetivo se analizan las diferentes disciplinas científicas involucradas en el reconocimiento de emociones en la música. Primero, se lleva a cabo un estudio de conceptos relevantes tanto vinculados al área de identificación de emociones, con técnicas propias de computación afectiva, como en relación a las técnicas para el diseño de sistemas de predicción y de clasificación basados en machine learning. Al mismo tiempo, se identifican características intrínsecas y extrínsecas de piezas musicales. Se lleva adelante un proceso de revisión de la literatura sobre librerías de alto nivel, dataset musicales y trabajos en relación con sistemas de predicción, clasificación, y de recomendación de música. Asimismo, se revisan antecedentes en relación a sesgos que pueden intervenir en el proceso de recomendación de piezas musicales. Así, se identifica la importancia de diseñar un nuevo dataset musical, con algunas características novedosas, como lo son la inclusión de obras completas y originales de artistas noveles, y el etiquetado emocional sobre la variación temporal de la canción en relación con la estructura musical, para ello se utilizan series temporales. El desarrollo y diseño de este dataset, denominado ENSA (Emotional Non-Superstar Artist-Dataset), constituye uno de los aportes fundamentales de la Tesis. Posteriormente, se diseña un sistema recomendador híbrido, basado en el filtrado emocional, filtrado basado en contenido, y filtrado basado en similaridad. La propuesta hace uso de un modelo de machine learning para el reconocimiento de emociones a través de un sistema de etiquetado dimensional de valence y arousal. El nuevo dataset y las estrategias de agrupamiento por similaridad implementadas por el sistema recomendador, como otras medidas adicionales que se detallan en el desarrollo de esta Tesis, también permite dar un tratamiento al efecto de la popularidad, que generalmente aparece a través de un sesgo preexistente, que no solo afecta a oyentes, sino que también tiene un alto impacto en los artistas y sus posibilidades de desarrollo en la industria de la música. Estos últimos aportes se alinean con los objetivos propuestos en la Tesis y que se han alcanzado en su totalidad. En cuanto al trabajo futuro, se resalta la importancia de continuar profundizando en las siguientes tres líneas: el dataset ENSA, el sistema recomendador, y el estudio de sesgos. Con respecto al dataset, es importante seguir avanzando en la inclusión de nuevas canciones, como también en la definición e inclusión de nuevas etiquetas que permitan llevar a cabo experimentos novedosos. En cuanto al sistema recomendador, se propone extender su funcionalidad incluyendo otras partes de la estructura musical (coro, puentes, solos) en las estrategias de recomendación. Y, finalmente, en relación a los sesgos, se propone identificar y analizar la aparición de nuevos sesgos (aquellos que clasifican como emergentes), y tanto desde el dataset ENSA, como desde las estrategias de recomendación, proponer nuevos tratamientos que permitan mitigar sus efectos.
Asesora: Cecilia Sanz
Doctor en Ciencias Informáticas
Universidad Nacional de La Plata
Facultad de Informática
Materia
Ciencias Informáticas
Inteligencia artificial
Elicitación
Emociones
Música
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/164064
Acceder
id SEDICI_0da40bb545ac7e949adadc410925b939
oai_identifier_str oai:sedici.unlp.edu.ar:10915/164064
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Desarrollo de un modelo de elicitación de emociones a partir de las características de la música : Generación de un sistema recomendadoOspitia Medina, YesidCiencias InformáticasInteligencia artificialElicitaciónEmocionesMúsicaLa computación afectiva, como área de investigación, ha logrado un importante desarrollo en los últimos años. Las actuales investigaciones han demostrado su utilidad, permitiendo medir la intensidad de las emociones a través de la tecnología, y con estos resultados implementar acciones que permitan crear beneficios para la humanidad en diferentes contextos. Uno de estos casos particulares, apuntan al estudio de la música y su relación con las emociones. Esta Tesis tiene como objetivo general el diseño de un sistema recomendador musical basado en emociones. Para abordar este objetivo se analizan las diferentes disciplinas científicas involucradas en el reconocimiento de emociones en la música. Primero, se lleva a cabo un estudio de conceptos relevantes tanto vinculados al área de identificación de emociones, con técnicas propias de computación afectiva, como en relación a las técnicas para el diseño de sistemas de predicción y de clasificación basados en machine learning. Al mismo tiempo, se identifican características intrínsecas y extrínsecas de piezas musicales. Se lleva adelante un proceso de revisión de la literatura sobre librerías de alto nivel, dataset musicales y trabajos en relación con sistemas de predicción, clasificación, y de recomendación de música. Asimismo, se revisan antecedentes en relación a sesgos que pueden intervenir en el proceso de recomendación de piezas musicales. Así, se identifica la importancia de diseñar un nuevo dataset musical, con algunas características novedosas, como lo son la inclusión de obras completas y originales de artistas noveles, y el etiquetado emocional sobre la variación temporal de la canción en relación con la estructura musical, para ello se utilizan series temporales. El desarrollo y diseño de este dataset, denominado ENSA (Emotional Non-Superstar Artist-Dataset), constituye uno de los aportes fundamentales de la Tesis. Posteriormente, se diseña un sistema recomendador híbrido, basado en el filtrado emocional, filtrado basado en contenido, y filtrado basado en similaridad. La propuesta hace uso de un modelo de machine learning para el reconocimiento de emociones a través de un sistema de etiquetado dimensional de valence y arousal. El nuevo dataset y las estrategias de agrupamiento por similaridad implementadas por el sistema recomendador, como otras medidas adicionales que se detallan en el desarrollo de esta Tesis, también permite dar un tratamiento al efecto de la popularidad, que generalmente aparece a través de un sesgo preexistente, que no solo afecta a oyentes, sino que también tiene un alto impacto en los artistas y sus posibilidades de desarrollo en la industria de la música. Estos últimos aportes se alinean con los objetivos propuestos en la Tesis y que se han alcanzado en su totalidad. En cuanto al trabajo futuro, se resalta la importancia de continuar profundizando en las siguientes tres líneas: el dataset ENSA, el sistema recomendador, y el estudio de sesgos. Con respecto al dataset, es importante seguir avanzando en la inclusión de nuevas canciones, como también en la definición e inclusión de nuevas etiquetas que permitan llevar a cabo experimentos novedosos. En cuanto al sistema recomendador, se propone extender su funcionalidad incluyendo otras partes de la estructura musical (coro, puentes, solos) en las estrategias de recomendación. Y, finalmente, en relación a los sesgos, se propone identificar y analizar la aparición de nuevos sesgos (aquellos que clasifican como emergentes), y tanto desde el dataset ENSA, como desde las estrategias de recomendación, proponer nuevos tratamientos que permitan mitigar sus efectos.Asesora: Cecilia SanzDoctor en Ciencias InformáticasUniversidad Nacional de La PlataFacultad de InformáticaBaldassarri Santalucía, SandraBeltrán, José Ramón2024-03-18info:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/acceptedVersionTesis de doctoradohttp://purl.org/coar/resource_type/c_db06info:ar-repo/semantics/tesisDoctoralapplication/pdfhttp://sedici.unlp.edu.ar/handle/10915/164064https://doi.org/10.35537/10915/164064spainfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-03T11:15:06Zoai:sedici.unlp.edu.ar:10915/164064Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-03 11:15:06.602SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Desarrollo de un modelo de elicitación de emociones a partir de las características de la música : Generación de un sistema recomendado
title Desarrollo de un modelo de elicitación de emociones a partir de las características de la música : Generación de un sistema recomendado
spellingShingle Desarrollo de un modelo de elicitación de emociones a partir de las características de la música : Generación de un sistema recomendado
Ospitia Medina, Yesid
Ciencias Informáticas
Inteligencia artificial
Elicitación
Emociones
Música
title_short Desarrollo de un modelo de elicitación de emociones a partir de las características de la música : Generación de un sistema recomendado
title_full Desarrollo de un modelo de elicitación de emociones a partir de las características de la música : Generación de un sistema recomendado
title_fullStr Desarrollo de un modelo de elicitación de emociones a partir de las características de la música : Generación de un sistema recomendado
title_full_unstemmed Desarrollo de un modelo de elicitación de emociones a partir de las características de la música : Generación de un sistema recomendado
title_sort Desarrollo de un modelo de elicitación de emociones a partir de las características de la música : Generación de un sistema recomendado
dc.creator.none.fl_str_mv Ospitia Medina, Yesid
author Ospitia Medina, Yesid
author_facet Ospitia Medina, Yesid
author_role author
dc.contributor.none.fl_str_mv Baldassarri Santalucía, Sandra
Beltrán, José Ramón
dc.subject.none.fl_str_mv Ciencias Informáticas
Inteligencia artificial
Elicitación
Emociones
Música
topic Ciencias Informáticas
Inteligencia artificial
Elicitación
Emociones
Música
dc.description.none.fl_txt_mv La computación afectiva, como área de investigación, ha logrado un importante desarrollo en los últimos años. Las actuales investigaciones han demostrado su utilidad, permitiendo medir la intensidad de las emociones a través de la tecnología, y con estos resultados implementar acciones que permitan crear beneficios para la humanidad en diferentes contextos. Uno de estos casos particulares, apuntan al estudio de la música y su relación con las emociones. Esta Tesis tiene como objetivo general el diseño de un sistema recomendador musical basado en emociones. Para abordar este objetivo se analizan las diferentes disciplinas científicas involucradas en el reconocimiento de emociones en la música. Primero, se lleva a cabo un estudio de conceptos relevantes tanto vinculados al área de identificación de emociones, con técnicas propias de computación afectiva, como en relación a las técnicas para el diseño de sistemas de predicción y de clasificación basados en machine learning. Al mismo tiempo, se identifican características intrínsecas y extrínsecas de piezas musicales. Se lleva adelante un proceso de revisión de la literatura sobre librerías de alto nivel, dataset musicales y trabajos en relación con sistemas de predicción, clasificación, y de recomendación de música. Asimismo, se revisan antecedentes en relación a sesgos que pueden intervenir en el proceso de recomendación de piezas musicales. Así, se identifica la importancia de diseñar un nuevo dataset musical, con algunas características novedosas, como lo son la inclusión de obras completas y originales de artistas noveles, y el etiquetado emocional sobre la variación temporal de la canción en relación con la estructura musical, para ello se utilizan series temporales. El desarrollo y diseño de este dataset, denominado ENSA (Emotional Non-Superstar Artist-Dataset), constituye uno de los aportes fundamentales de la Tesis. Posteriormente, se diseña un sistema recomendador híbrido, basado en el filtrado emocional, filtrado basado en contenido, y filtrado basado en similaridad. La propuesta hace uso de un modelo de machine learning para el reconocimiento de emociones a través de un sistema de etiquetado dimensional de valence y arousal. El nuevo dataset y las estrategias de agrupamiento por similaridad implementadas por el sistema recomendador, como otras medidas adicionales que se detallan en el desarrollo de esta Tesis, también permite dar un tratamiento al efecto de la popularidad, que generalmente aparece a través de un sesgo preexistente, que no solo afecta a oyentes, sino que también tiene un alto impacto en los artistas y sus posibilidades de desarrollo en la industria de la música. Estos últimos aportes se alinean con los objetivos propuestos en la Tesis y que se han alcanzado en su totalidad. En cuanto al trabajo futuro, se resalta la importancia de continuar profundizando en las siguientes tres líneas: el dataset ENSA, el sistema recomendador, y el estudio de sesgos. Con respecto al dataset, es importante seguir avanzando en la inclusión de nuevas canciones, como también en la definición e inclusión de nuevas etiquetas que permitan llevar a cabo experimentos novedosos. En cuanto al sistema recomendador, se propone extender su funcionalidad incluyendo otras partes de la estructura musical (coro, puentes, solos) en las estrategias de recomendación. Y, finalmente, en relación a los sesgos, se propone identificar y analizar la aparición de nuevos sesgos (aquellos que clasifican como emergentes), y tanto desde el dataset ENSA, como desde las estrategias de recomendación, proponer nuevos tratamientos que permitan mitigar sus efectos.
Asesora: Cecilia Sanz
Doctor en Ciencias Informáticas
Universidad Nacional de La Plata
Facultad de Informática
description La computación afectiva, como área de investigación, ha logrado un importante desarrollo en los últimos años. Las actuales investigaciones han demostrado su utilidad, permitiendo medir la intensidad de las emociones a través de la tecnología, y con estos resultados implementar acciones que permitan crear beneficios para la humanidad en diferentes contextos. Uno de estos casos particulares, apuntan al estudio de la música y su relación con las emociones. Esta Tesis tiene como objetivo general el diseño de un sistema recomendador musical basado en emociones. Para abordar este objetivo se analizan las diferentes disciplinas científicas involucradas en el reconocimiento de emociones en la música. Primero, se lleva a cabo un estudio de conceptos relevantes tanto vinculados al área de identificación de emociones, con técnicas propias de computación afectiva, como en relación a las técnicas para el diseño de sistemas de predicción y de clasificación basados en machine learning. Al mismo tiempo, se identifican características intrínsecas y extrínsecas de piezas musicales. Se lleva adelante un proceso de revisión de la literatura sobre librerías de alto nivel, dataset musicales y trabajos en relación con sistemas de predicción, clasificación, y de recomendación de música. Asimismo, se revisan antecedentes en relación a sesgos que pueden intervenir en el proceso de recomendación de piezas musicales. Así, se identifica la importancia de diseñar un nuevo dataset musical, con algunas características novedosas, como lo son la inclusión de obras completas y originales de artistas noveles, y el etiquetado emocional sobre la variación temporal de la canción en relación con la estructura musical, para ello se utilizan series temporales. El desarrollo y diseño de este dataset, denominado ENSA (Emotional Non-Superstar Artist-Dataset), constituye uno de los aportes fundamentales de la Tesis. Posteriormente, se diseña un sistema recomendador híbrido, basado en el filtrado emocional, filtrado basado en contenido, y filtrado basado en similaridad. La propuesta hace uso de un modelo de machine learning para el reconocimiento de emociones a través de un sistema de etiquetado dimensional de valence y arousal. El nuevo dataset y las estrategias de agrupamiento por similaridad implementadas por el sistema recomendador, como otras medidas adicionales que se detallan en el desarrollo de esta Tesis, también permite dar un tratamiento al efecto de la popularidad, que generalmente aparece a través de un sesgo preexistente, que no solo afecta a oyentes, sino que también tiene un alto impacto en los artistas y sus posibilidades de desarrollo en la industria de la música. Estos últimos aportes se alinean con los objetivos propuestos en la Tesis y que se han alcanzado en su totalidad. En cuanto al trabajo futuro, se resalta la importancia de continuar profundizando en las siguientes tres líneas: el dataset ENSA, el sistema recomendador, y el estudio de sesgos. Con respecto al dataset, es importante seguir avanzando en la inclusión de nuevas canciones, como también en la definición e inclusión de nuevas etiquetas que permitan llevar a cabo experimentos novedosos. En cuanto al sistema recomendador, se propone extender su funcionalidad incluyendo otras partes de la estructura musical (coro, puentes, solos) en las estrategias de recomendación. Y, finalmente, en relación a los sesgos, se propone identificar y analizar la aparición de nuevos sesgos (aquellos que clasifican como emergentes), y tanto desde el dataset ENSA, como desde las estrategias de recomendación, proponer nuevos tratamientos que permitan mitigar sus efectos.
publishDate 2024
dc.date.none.fl_str_mv 2024-03-18
dc.type.none.fl_str_mv info:eu-repo/semantics/doctoralThesis
info:eu-repo/semantics/acceptedVersion
Tesis de doctorado
http://purl.org/coar/resource_type/c_db06
info:ar-repo/semantics/tesisDoctoral
format doctoralThesis
status_str acceptedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/164064
https://doi.org/10.35537/10915/164064
url http://sedici.unlp.edu.ar/handle/10915/164064
https://doi.org/10.35537/10915/164064
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1842260655767289856
score 13.13397

Publicaciones similares