{
  "creator": [
    "Kalustian, Kework",
    "Ruth, Nicolas"
  ],
  "date": [
    "2021-09-24"
  ],
  "description": [
    "Während der COVID-19-Pandemie bewältigten viele Menschen diese einschränkende Situation, indem sie Musikmedien über verschiedene Musikstreaming-Dienstleister nutzten. Eine Betrachtung dieses Verhaltens aus der Perspektive des Uses-and-Gratification-Ansatzes und der Situated Cognition liefert verlässliche Erklärungen für die aktive und zielgerichtete Nutzung von Musikmedien. Um solche Erklärungen quantitativ mit frei verfügbaren Daten zu untermauern, haben wir die täglichen Top-200-Charts von Spotify in den DACH-Ländern und die dazugehörigen Audio-Features gemäß den von Spotify bereitgestellten Audio-Feature-Informationen für die Zeiträume während des ersten Lockdowns im Jahr 2020 und dem gleichen Zeitraum ohne Pandemie in 2019 abgerufen. Nachdem wir explorative Datenanalysen durchgeführt haben, reduzierten wir die Dimensionalität ausgewählter Audio-Features durch Anwendung eines k-Means-Clustering-Algorithmus über die DACH-Länder hinweg. Basierend auf den Clustering-Ergebnissen diskutieren wir, wie diese Cluster nicht nur konzeptuell mit dem Arousal-Valence-Circumplex-Modell erklärbar sind, sondern auch womöglich als (Gratifikations-)Potenziale verstanden werden können, mit denen die Hörer*innen interagieren können, um ihre Stimmungen zu modulieren und somit emotional mit dem Stress der Pandemie umzugehen. Darüber hinaus modellierten wir einen kreuzvalidierten binären SVM-Klassifikator, um die Zeiträume basierend auf den extrahierten Clustern und den verbleibenden manifesten Variablen (z.B. Chartpositionen) als Input-Variablen zu klassifizieren. Das endgültige Testszenario der Klassifizierungsaufgabe ergab eine hohe Gesamtgenauigkeit bei der Klassifizierung der Zeiträume als unterscheidbare Klassen. Abschließend kommen wir somit zu dem Schluss, dass diese aufgezeigten Ansätze grundsätzlich geeignet sind, die beiden Zeiträume auf Basis der extrahierten Mood-Cluster und der anderen Input-Variablen zu bestimmen und außerdem das alltägliche Musikhören über diese stellvertretenden Variablen als emotionsfokussierte Bewältigungsstrategie während der COVID-19-Pandemie in den DACH-Ländern unter modellbedingten Einschränkungen zu interpretieren.",
    "Many people used musical media via music streaming service providers to cope with the limitations of the COVID-19 pandemic. Accounting for such behavior from the perspective of uses-and-gratifications theory and situated cognition yields reliable explanations regarding people’s active and goal-oriented use of musical media. We accessed Spotify’s daily top 200 charts and their audio features from the DACH countries for the period during the first lockdown in 2020 and a comparable non-pandemic period situation in 2019 to support those theoretical explanations quantitatively with open data. After exploratory data analyses, applying a k-means clustering algorithm across the DACH countries allowed us to reduce the dimensionality of selected audio features. Following these clustering results, we discuss how these clusters are explainable using the arousal-valence-circumplex model and possibly be understood as (gratification) potentials that listeners can interact with to modulate their moods and thus emotionally cope with the stress of the pandemic. Then, we modeled a cross-validated binary SVM classifier to classify the two periods based on the extracted clusters and the remaining manifest variables (e.g., chart position) as input variables. The final test scenario of the classification task yielded high overall accuracy in classifying the periods as distinguishable classes. We conclude that these demonstrated approaches are generally suitable to classify the two periods based on the extracted mood clusters and the other input variables, and furthermore to interpret, by considering the model-related caveats, everyday music listening via those proxy variables as an emotion-focused coping strategy during the COVID-19 pandemic in DACH countries."
  ],
  "format": [
    "application/pdf",
    "text/html",
    "text/xml"
  ],
  "identifier": [
    "https://jbdgm.psychopen.eu/index.php/JBDGM/article/view/95",
    "10.5964/jbdgm.95"
  ],
  "language": [
    "eng"
  ],
  "publisher": [
    "PsychOpen GOLD / Leibniz Institut for Psychology (ZPID)"
  ],
  "relation": [
    "https://jbdgm.psychopen.eu/index.php/JBDGM/article/view/95/95.pdf",
    "https://jbdgm.psychopen.eu/index.php/JBDGM/article/view/95/95.html",
    "https://jbdgm.psychopen.eu/index.php/JBDGM/article/view/95/95.xml"
  ],
  "rights": [
    "Copyright (c) 2021 Kework Kalustian, Nicolas Ruth",
    "http://creativecommons.org/licenses/by/4.0"
  ],
  "source": [
    "Jahrbuch Musikpsychologie; Band 30 (2021): Musikpsychologie – Empirische Forschungen - Ästhetische Experimente; 1-26",
    "Yearbook of Music Psychology; Vol 30 (2021): Musikpsychologie – Empirische Forschungen - Ästhetische Experimente / Music Psychology – Empirical Research - Aesthetic Experiments; 1-26",
    "2569-5665",
    "2511-8277",
    "10.5964/jbdgm.v30"
  ],
  "subject": [
    "API",
    "COVID-19",
    "interpretierbares maschinelles Lernen",
    ">k-Means Clustering",
    "populäre Musik",
    "SVM-Klassifikator",
    "Streaming-Hörverhalten",
    "API",
    "COVID-19",
    "interpretable machine learning",
    "k-means clustering",
    "popular music",
    "SVM classifier",
    "streaming behavior"
  ],
  "title": [
    "„Evacuate the Dancefloor“: Exploration und Klassifizierung von Spotify-Hörverhalten vor und während der COVID-19-Pandemie in den DACH-Ländern",
    "“Evacuate the Dancefloor”: Exploring and Classifying Spotify Music Listening Before and During the COVID-19 Pandemic in DACH Countries"
  ],
  "type": [
    "info:eu-repo/semantics/article",
    "info:eu-repo/semantics/publishedVersion",
    "Begutachteter Artikel",
    "Peer Reviewed Paper"
  ]
}