每到年底，各大音樂串流平台的「個人年度回顧」都會在網路上掀起一波風潮。人們紛紛分享自己最喜歡的歌手與最常聽的歌單，展示自己的音樂品味。這些看似專屬於你的音樂喜好，卻也是平台根據你的收聽行為與演算法計算出來的結果。當演算法成為我們的個人化DJ，悄悄主導著我們聆聽的音樂，我們的品味是否還屬於我們自己？
你如何尋找新音樂？主動搜尋與被動推薦
根據2024年文化內容策進院的臺灣文化內容消費趨勢調查報告，臺灣人的音樂聆聽率超過九成，其中有七成的人使用免費音樂平台；三成以上的人使用付費音樂平台收聽音樂。使用率上YouTube Music以47%居首，Spotify 以43%為第二，第三、四名則為KKBOX與Apple Music。這些數據顯示，臺灣人的音樂聆聽習慣與音樂串流平台息息相關，而演算法的出現，也是主要推手之一。
各大音樂串流平台近幾年不斷推出創新的功能，吸引使用者付費訂閱。其中，演算法的推薦機制轉變了人們尋找新音樂的方式。過往我們會根據歌手、曲風類型，花時間主動搜尋自己喜歡的音樂；現今，只要打開音樂串流平台，就可以在主頁找到平台為你「量身定制」的專屬歌單。
這樣的轉變看似無害，卻可能讓我們錯過原本能發現的新聲音，使我們探索音樂的自由，一點一滴地被縮小。個人年度回顧裡，展現的也可能不是「我喜歡的音樂」，而是「平台希望我喜歡的樣子」。當我們越來越習慣讓演算法為我們挑歌，我們的聆聽習慣是否在無形當中被演算法「馴化」？
在這之前，我們需要先了解演算法是如何在這其中作用的。以Spotify為例，從《Spotify Teardown》這本書可以了解到，每一首歌曲上架之前，都會先被拆成一串後設資料（metadata），裡面包含了歌名、創作者、情緒、風格等可以被標籤化的資料。平台方會將這些標籤化資料，與用戶過去在平台上的使用數據，包括播放次數、曾收藏的曲目、停留時間等去做配對，將與你的聆聽數據相符的歌曲推薦給你。
換句話說，就如同你是一家公司老闆（使用者），Spotify是你的人資顧問（平台），它幫你設定來應徵的員工（歌曲）該符合哪些條件，在廣大的勞動市場（音樂庫）找尋有潛力的面試者來公司面試，並刷掉不符合條件的面試者（聆聽、篩選音樂）。
在接收這些被動推薦且歌曲剛好都符合使用者品味的同時，常常會讓人產生一種「演算法好像很懂我的喜好」的錯覺。然而，演算法只是一種數學模型，它並非真正了解你，而是根據一連串被定義好的資料與指示，找出你與大部分用戶之間的關聯性，並推導出一個可能性，最後推薦給你一首「與你類似的人也喜歡的歌」。
那我們是否可以從單方面被動推薦轉為更加主動的掌握演算法的推薦呢？
以YouTube Music為例，該平台在2023年推出了自訂電台體驗的功能，讓用戶可以自行透過選擇藝人多樣性、熟悉程度、篩選器，去設定推薦歌單的演算法。雖然這樣的功能目前並不普遍，但也顯示平台開始嘗試把部分的主導權交回給使用者。結合演算法被動推薦與用戶主動篩選的特質，使演算法更人性化，也讓聽眾可以在主動搜尋與被動推薦之間找到相對的平衡。
排行榜：從個人推薦到大眾的口味
你是否也曾為你喜歡的歌手刷過榜？雖然一個人貢獻的聆聽次數可能很微薄，但都會成為歌曲排名的數據之一，影響每日的熱播榜單。這樣看似個人的行為，也是當代音樂聆聽文化的一部分。排行榜反應的不只是播放次數的變化，更是被集體塑造的音樂品味。
在《串流音樂為何能精準推薦「你可能喜歡」》一書中，作者以Spotify前數據專家的身份，介紹了排行榜搜集數據時包含的演算法規則。雖然你非常賣力地重複播放同一首歌無數次，想要幫歌手衝播放次數，但由於Spotify內部演算法的設定，即使你播了上百次，系統一天最多只認10次，且一首歌要播放30秒以上才算有效播放。
除此之外，你知道音樂播放的時區是如何計算的嗎？ 根據Spotify官網，Spotify統一使用世界協調時間（UTC）來計算。舉例來說，當你在臺灣時間10月1日凌晨3點播放歌曲，這個次數會被算在9月30日的播放次數。這些細節看似微小，卻也影響了歌曲排名的即時性。
熱播排行榜上都會更新播放次數的排名，但你有沒有發現，很多在榜上的歌曲都已發行了好一段時間？
如果依照前面對演算法的運作模式，每一首歌都會被拆成許多可標籤化的元數據，並根據聽眾的喜好與聆聽數據去做配對、推薦歌曲，這是否意味著，一首歌必須先有一定的流量，才會出現在推薦歌單當中？
英國數據倫理與創新中心的報告指出，演算法推薦系統存在著「流行偏誤」（Popularity Bias），即演算法傾向推薦已經流行的內容，使熱門作品更容易被看見。
若演算法傾向推薦那些有一定熱度的歌曲，那是否會造成「大者恆大」的循環，熱門歌曲更加熱門，有更多的推薦、更多聆聽，而新歌手與冷門歌曲就變得更難被聽見？
排行榜反映的不只是播放量，也是演算法推薦強化的結果。在兩者的雙重作用下，我們聆聽的音樂，是更廣泛了，還是更限縮呢？
演算法的過濾泡泡—音樂聆聽的重複與驚奇感
過濾泡泡（Filter Bubble）一詞由伊萊．帕理澤於2011年提出。指網路平台透過演算法，依據使用者的瀏覽習慣與偏好，篩選出符合使用者觀點的資訊，讓人們逐漸只接觸到同質性的內容，不同立場的聲音則被排除在外。
同樣地，在音樂串流平台上，演算法的推薦也可能形成過濾泡泡。當使用者反覆播放同一類型的曲目，演算法就會推薦更多相似風格的歌曲，久而久之，使我們收聽的音樂逐漸趨於同質化。
根據Pachet、Roy 與 Cazaly（2000）的研究，人們探索音樂時同時追求兩種需求：對重複的渴望與對驚喜的渴望。對重複的渴望會使人們想要反覆聆聽熟悉且喜歡的歌曲；對驚喜的渴望指人們喜歡驚喜與非典型的音樂進程，不時會想要發現新作品與新歌手。
為了了解這樣的需求如何體現在實際的聆聽經驗當中，本專題訪問了兩位音樂串流平台的高度使用者，請他們分享在使用音樂串流平台演算法時的經驗。
Spotify使用者陳渙允表示，他希望尋找與自己喜歡的曲風類似，但尚未聽過的歌曲。雖然大多時候找到的仍是聽過的歌曲，但偶爾也會出現驚喜。
「就好比說我現在想要聽歌，我就會點daily mix one這個歌單，雖然裡面的歌應該絕大多數都是我有聽過的，但是可能有幾個，比如宇多田光的這首歌我可能沒聽過，那這樣搞不好曲風我會喜歡，就會有一種找到一個寶藏的感覺。」—陳渙允
YouTube Music使用者戴依帆則表示，平台大多都依照她的偏好，推薦韓國女團的歌曲居多。但偶爾在自動播放歌曲時，也會有意外的發現。
「之前聽歌的時候，一樣是自動播放，就被推到了Twice娜璉她的歌單…我後來還有推給我同學；在宿舍播的時候，還有人問我這首歌那麼好聽是什麼歌，然後就拿給她聽，也把一整個歌單給她，她也覺得不錯。」—戴依帆
從兩位受訪者的分享中，可以看出他們的聆聽經驗呼應了Pachet、Roy 與 Cazaly（2000）的研究中所提到的對「重複」與「驚喜」的需求。Spotify使用者陳渙允在日常熟悉的歌單當中，尋找「寶藏」歌曲，反映出在重複中追求新鮮感的心理；而YouTube Music使用者戴依帆在自動播放時意外發現喜歡的作品，展現了演算法帶來的偶然驚喜感。
演算法推薦是把雙面刃，它可能讓人困在自己的過濾泡泡中，也可能在偶然間，讓我們發現中意的作品，成為日常聆聽時的小確幸。
演算法是否塑造了我們的音樂品味？
從排行榜「大者恆大」的現象，到如同過濾泡泡般讓音樂聆聽越加同質化的演算法推薦機制，這些看似便利的功能，也在悄悄改變我們與音樂的關係。若不加留意，就可能讓平台與演算法決定了我們的「喜歡」。
回到最初的問題：演算法是否在某種程度塑造了我們的音樂品味？
答案取決於每個人的使用方法與主動程度。在被動接受推薦的同時，若我們願意嘗試去問自己：「我為什麼想聽這首歌？」、「我是真的很喜歡它，還是只是因為演算法不斷餵給我這些作品，我已經熟悉了？」或許就能更清楚察覺自己的聆聽動機。
當我們有意識地去選擇音樂，而非全然依賴演算法，你的音樂品味就不會是演算法「餵養」的結果。
你平時喜歡跟著排行榜聽音樂，還是自己探索新歌？
快來試試「你的音樂聆聽模式」吧！透過這個小測驗，看看你是什麼類型的聽眾，快速了解自己的聽歌習慣，掌握自己對音樂的選擇！
參考資料
YouTube Music will let you make your own custom radio stations
Spotify 推薦演算法怎麼運作？解密你「可能喜歡」的背後邏輯｜怪獸科技公司
Spotify工程師親自解說——《串流音樂為何能精準推薦「你可能喜歡」》
Pachet, F., Roy, P., & Cazaly, D. (2000). A combinatorial approach to content-based music selection. IEEE MultiMedia, 7(1), 44–51. https://doi.org/10.1109/93.839310
