Publicação: Auditoria de sistemas de inteligência artificial em plataformas de Streaming: um estudo experimental sobre vieses e recomendação musical no Spotify
Carregando...
Tipo do documento
Data
Direito de acesso
Coleções
Programa
Área do conhecimento
CNPQ::ENGENHARIAS
Título da Revista
ISSN da Revista
Título de Volume
Orientador
Coorientador
Resumo
Os sistemas de recomendação algorítmica consolidaram-se como os principais mediadores
entre a obra musical e o ouvinte, operando como caixas-pretas cujos critérios de seleção
permanecem opacos. Este trabalho audita o sistema de recomendação do Spotify sob
a ótica da Gestão da Informação, investigando se a curadoria automatizada favorece a
diversidade cultural ou a homogeneização do gosto musical. Adotou-se a metodologia
de auditoria de caixa-preta por agentes-sonda (sock puppet audit), com quatro personas
sintéticas de arquétipos contrastantes — mainstream, funcional/lo-fi, nostálgico e de nicho
—, comparando-se os estímulos declarados (input) com as recomendações geradas nos
Daily Mixes (output). Diante da remoção progressiva de campos da Web API do Spotify
durante a pesquisa, fato tratado como meta-evidência da opacidade da plataforma, os
dados foram enriquecidos com as fontes externas Last.fm e MusicBrainz. Mensuraram
se a diversidade e a concentração por meio da Entropia de Shannon, da evenness de
Pielou, do Coeficiente de Gini, do Índice Herfindahl-Hirschman e do Índice de Jaccard,
com tratamento estatístico inferencial (intervalos de confiança por bootstrap, teste de
Mann-Whitney, rarefação e teste de permutação). Os resultados revelam um fenômeno de
três níveis: no conteúdo, os repertórios de artistas das personas permanecem integralmente
disjuntos (Jaccard = 0, mais segregados que o acaso, p < 0,001); no tema, há convergência
parcial de gêneros; e na magnitude, a diversidade converge em razão da ampliação da
riqueza do catálogo, e não por homogeneização de entropia. Confirmam-se, ainda, um
viés de popularidade (Daniel, +131% de ouvintes por artista) e um viés de hit dentro da
cauda longa (Sofia, +405% de ouvintes por faixa). Conclui-se que, nas quatro personas
sintéticas e na janela de coleta analisada, o algoritmo não homogeneizou as recomendações
entre os perfis: ele expande a riqueza interna de cada perfil e os aproxima tematicamente,
mas preserva silos de conteúdo distintos.
Abstract
Algorithmic recommender systems have become the main mediators between musical
works and listeners, operating as black boxes whose selection criteria remain opaque. This
study audits Spotify’s recommendation system from an Information Management perspec
tive, investigating whether automated curation fosters cultural diversity or the homoge
nization of musical taste. A black-box, sock-puppet auditing methodology was adopted,
using four synthetic personas of contrasting archetypes, mainstream, functional/lo-fi, nos
talgic, and niche, comparing the declared stimuli (input) with the recommendations gen
erated in the Daily Mixes (output). Given the progressive removal of fields from the
Spotify Web API during the research, treated here as meta-evidence of the platform’s
opacity, the data were enriched with the external sources Last.fm and MusicBrainz. Di
versity and concentration were measured through Shannon entropy, Pielou’s evenness, the
Gini coefficient, the Herfindahl-Hirschman Index, and the Jaccard index, with inferential
statistical treatment (bootstrap confidence intervals, the Mann-Whitney test, rarefaction,
and a permutation test). The results reveal a three-level phenomenon: at the content
level, the personas’ artist repertoires remain entirely disjoint (Jaccard = 0, more segre
gated than chance, p < 0.001); at the thematic level, there is partial genre convergence;
and at the magnitude level, diversity converges through catalog richness expansion rather
than entropy homogenization. A popularity bias (Daniel, +131% listeners per artist) and
a hit bias within the long tail (Sofia, +405% listeners per track) are also confirmed. We
conclude that, for the four synthetic personas and within the collection window analysed,
the algorithm did not homogenize recommendations across profiles: it expands the inter
nal richness of each profile and brings them thematically closer, while preserving distinct
content silos.
Palavras-chave
Auditoria algorítmica, Sistemas de recomendação, Spotify, Diversidade musical, Viés de popularidade
Citação
OLIVEIRA JÚNIOR, Marcos Rodrigues de. Auditoria de sistemas de inteligência artificial em plataformas de streaming: um estudo experimental sobre vieses e recomendação musical no Spotify. 2026. 88 f. Trabalho de Conclusão de Curso (Graduação em Gestão da Informação) – Universidade Federal de Uberlândia, Uberlândia, 2026.
DOI
Coleções
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto