Desarrollo de un modelo de elicitación de emociones a partir de las características de la música: generación de un sistema recomendador

Abstract

La presente investigación aborda una problemática crítica en la industria musical contemporánea: la invisibilización de talentos emergentes provocada por la hegemonía de los sistemas de recomendación basados en la popularidad. En un mercado saturado donde el volumen de lanzamientos diarios imposibilita el descubrimiento orgánico, los algoritmos actuales suelen reforzar sesgos que favorecen a los "artistas más famosos", dificultando la entrada de nuevas propuestas. El aporte sustancial de esta tesis radica en la transición de un modelo de recomendación basado en metadatos y popularidad hacia un paradigma híbrido fundamentado en el reconocimiento dinámico de emociones. Para ello, se presenta la creación del Emotional Non-Superstar Artist-Dataset (ENSA) y el diseño de un sistema recomendador. Los resultados demuestran la viabilidad de utilizar modelos de machine learning para la identificación de valencia y excitación ( arousal ), permitiendo una vinculación técnica entre la gramática musical y la respuesta afectiva. Las líneas de investigación futuras se proyectan en tres ejes estratégicos: la expansión de ENSA, la extensión funcional del recomendador a micro-estructuras musicales (puentes, solos) y la mitigación proactiva de sesgos emergentes.