موسیقی پاپ به عنوان یکی از تأثیرگذارترین پدیده‌های فرهنگی قرن بیستم و بیست‌ویکم، نقشی بی‌بدیل در شکل‌دهی به نگرش‌ها، ارزش‌ها و هنجارهای اجتماعی ایفا می‌کند. اشعار ترانه‌ها، به عنوان بخش کلامی این هنر، آینه‌ای از فرهنگ زمانه خود و در عین حال، ابزاری برای تقویت یا به چالش کشیدن باورهای رایج هستند. مقاله «تحلیل کلان سوگیری و تبعیض جنسیتی در اشعار ترانه‌ها» به بررسی علمی و داده‌محور این پدیده فرهنگی می‌پردازد. اهمیت این پژوهش در آن است که برای نخستین بار، با بهره‌گیری از ابزارهای پیشرفته پردازش زبان طبیعی (NLP) و تحلیل یک مجموعه داده عظیم، از مطالعات موردی و نمونه‌های کوچک فراتر رفته و تصویری جامع و آماری از چگونگی بازتاب و تحول تبعیض جنسیتی در موسیقی عامه‌پسند طی پنج دهه ارائه می‌دهد. این تحقیق نه تنها به درک عمیق‌تر رابطه میان فرهنگ و زبان کمک می‌کند، بلکه شواهد مستندی را برای گفتمان‌های اجتماعی پیرامون برابری جنسیتی فراهم می‌آورد.

این مقاله توسط لورنزو بتی (Lorenzo Betti)، کارلو آبراته (Carlo Abrate) و آندریاس کالتنبرونر (Andreas Kaltenbrunner)، محققانی متخصص در حوزه علم داده و علوم اجتماعی محاسباتی، به رشته تحریر درآمده است. این پژوهش در تقاطع دو حوزه مهم علمی قرار دارد: «کامپیوتر و جامعه» (Computers and Society) و «محاسبات و زبان» (Computation and Language). این طبقه‌بندی نشان می‌دهد که مقاله از روش‌های محاسباتی پیشرفته برای تحلیل پدیده‌های زبانی در یک بستر اجتماعی گسترده بهره می‌برد. این رویکرد، که به آن علوم اجتماعی محاسباتی نیز گفته می‌شود، به محققان اجازه می‌دهد تا با تحلیل کلان‌داده‌ها (Big Data)، الگوهایی را کشف کنند که پیش از این از طریق روش‌های سنتی تحقیق کیفی یا پیمایش‌های محدود قابل شناسایی نبودند. این مقاله نمونه‌ای برجسته از کاربرد فناوری برای فهم عمیق‌تر پیچیدگی‌های فرهنگی و اجتماعی است.

پژوهشگران در این مقاله، با استفاده از تکنیک‌های پردازش زبان طبیعی، مجموعه‌ای عظیم شامل ۳۷۷٬۸۰۸ شعر از ترانه‌های انگلیسی موجود در پایگاه داده «Two Million Song Database» را تحلیل کرده‌اند. تمرکز اصلی این مطالعه بر شناسایی و سنجش محتوای تبعیض‌آمیز جنسیتی (سکسیستی) و سوگیری‌های پنهان جنسیتی در بازه زمانی پنجاه ساله، از ۱۹۶۰ تا ۲۰۱۰، بوده است.

محققان با توسعه یک «طبقه‌بند سکسیسم» مبتنی بر یادگیری ماشین، توانستند اشعار حاوی مفاهیم تبعیض‌آمیز را در مقیاسی بسیار بزرگ‌تر از مطالعات پیشین که متکی بر تحلیل دستی نمونه‌های کوچک بودند، شناسایی کنند. علاوه بر این، با استفاده از تکنیک «تعبیه‌سازی کلمات» (Word Embeddings)، ارتباطات و تداعی‌های معنایی پنهان در زبان ترانه‌ها را برای سنجش سوگیری‌های جنسیتی استخراج کردند. نتایج اصلی نشان می‌دهد که محتوای سکسیستی در طول زمان افزایش یافته و این روند به ویژه در آثار هنرمندان مرد و ترانه‌های محبوب که در جداول موسیقی بیلبورد قرار گرفته‌اند، شدیدتر بوده است. همچنین، تحلیل‌ها نشان داد که زبان ترانه‌ها بسته به جنسیت خواننده، حاوی سوگیری‌های متفاوتی است و آثار خوانندگان مرد به طور کلی سوگیری‌های قوی‌تر و بیشتری را به نمایش می‌گذارند.

ستون فقرات این پژوهش بر دو تکنیک محاسباتی پیشرفته استوار است که امکان تحلیل دقیق و مقیاس‌پذیر را فراهم کرده‌اند:

• طبقه‌بند سکسیسم (Sexism Classifier): محققان یک مدل یادگیری ماشین را توسعه دادند که قادر به تشخیص زبان سکسیستی است. این مدل احتمالاً بر روی مجموعه‌ای از متون که به صورت دستی توسط انسان‌ها به عنوان «سکسیستی» یا «غیرسکسیستی» برچسب‌گذاری شده‌اند، آموزش دیده است. پس از آموزش، این طبقه‌بند به صورت خودکار کل پیکره متنی ۳۷۷٬۸۰۸ شعر را پیمایش کرده و احتمال وجود محتوای تبعیض‌آمیز را در هر یک از آن‌ها محاسبه کرده است. این رویکرد امکان تحلیل کمی و ردیابی روندها در طول زمان را فراهم می‌کند.
• تعبیه‌سازی کلمات (Word Embeddings): برای کشف سوگیری‌های ظریف‌تر و ناخودآگاه در زبان، از مدل‌های تعبیه‌سازی کلمات مانند Word2Vec یا GloVe استفاده شده است. این مدل‌ها کلمات را به صورت بردارهای عددی در یک فضای چندبعدی نمایش می‌دهند، به طوری که کلمات با معانی یا کاربردهای مشابه در این فضا به یکدیگر نزدیک‌تر قرار می‌گیرند. محققان با تحلیل این فضا، ارتباط بین کلمات جنسیتی (مانند «مرد»، «زن»، «او-مذکر»، «او-مؤنث») و کلمات دیگر (مانند «شغل»، «خانواده»، «قدرتمند»، «احساسی») را اندازه‌گیری کردند. برای مثال، اگر بردار کلمه «مرد» به بردار کلمه «منطق» نزدیک‌تر از بردار کلمه «زن» باشد، این نشان‌دهنده یک سوگیری جنسیتی در داده‌های متنی (اشعار) است.

داده‌ها برای تحلیل دقیق‌تر بر اساس سه معیار دسته‌بندی شدند: دهه انتشار (از ۱۹۶۰ تا ۲۰۱۰)، جنسیت هنرمند (مرد، زن، گروه) و میزان محبوبیت (حضور یا عدم حضور در چارت بیلبورد).

تحلیل کلان داده‌های اشعار به نتایج قابل توجه و بعضاً نگران‌کننده‌ای منجر شد:

• روند صعودی محتوای سکسیستی: برخلاف تصور عمومی که ممکن است جامعه با گذر زمان به سمت برابری بیشتر حرکت کرده باشد، تحلیل‌ها نشان داد که میزان محتوای آشکارا سکسیستی در اشعار ترانه‌ها از دهه ۱۹۶۰ تا ۲۰۱۰ به طور معناداری افزایش یافته است.
• نقش جنسیت هنرمند: این افزایش در محتوای تبعیض‌آمیز، به طور مشخص در ترانه‌های اجرا شده توسط هنرمندان مرد بسیار بارزتر بود. این یافته نشان می‌دهد که بازنمایی زنان در موسیقی تحت تأثیر جنسیت خالق اثر قرار دارد.
• محبوبیت و سکسیسم: ترانه‌هایی که به جداول محبوب بیلبورد راه یافته‌اند، در مقایسه با ترانه‌های کمتر شناخته‌شده، به طور متوسط حاوی محتوای سکسیستی بیشتری بودند. این موضوع می‌تواند به این معنا باشد که یا محتوای تبعیض‌آمیز به موفقیت تجاری کمک می‌کند، یا صنعت موسیقی چنین محتوایی را ترویج می‌دهد.
• سوگیری‌های زبانی پنهان: تحلیل تعبیه‌سازی کلمات نشان داد که سوگیری‌های جنسیتی کلیشه‌ای در زبان ترانه‌ها ریشه دوانده‌اند. به عنوان مثال، کلمات مرتبط با مفاهیم «قدرت»، «موفقیت» و «عقلانیت» به طور سیستماتیک با واژگان مردانه مرتبط بودند، در حالی که کلمات مرتبط با «احساسات»، «ظاهر» و «خانواده» با واژگان زنانه تداعی می‌شدند. این سوگیری‌ها نیز در آثار هنرمندان مرد قوی‌تر و پررنگ‌تر بودند.

این پژوهش فراتر از یک تحلیل دانشگاهی صرف، دستاوردها و کاربردهای مهمی دارد:

• دستاورد روش‌شناختی: این مقاله قدرت ابزارهای محاسباتی را در علوم انسانی و اجتماعی به نمایش می‌گذارد. این رویکرد می‌تواند به عنوان الگویی برای تحلیل‌های کلان مشابه در سایر حوزه‌های فرهنگی مانند سینما، ادبیات و رسانه‌های اجتماعی به کار رود.
• افزایش آگاهی عمومی و نقد فرهنگی: نتایج این تحقیق، شواهد محکمی برای بحث‌های عمومی در مورد نقش رسانه‌ها در ترویج کلیشه‌های جنسیتی فراهم می‌کند. این داده‌ها می‌توانند توسط فعالان اجتماعی، روزنامه‌نگاران و مربیان برای افزایش سواد رسانه‌ای مخاطبان استفاده شوند.
• کاربرد در صنعت موسیقی: پلتفرم‌های پخش موسیقی مانند اسپاتیفای و اپل موزیک می‌توانند از الگوریتم‌های مشابهی برای شناسایی محتوای حساس و ارائه هشدارهای مناسب به کاربران یا والدین استفاده کنند. همچنین، این ابزارها می‌توانند به ترانه‌سرایان و تهیه‌کنندگان کمک کنند تا نسبت به زبان مورد استفاده خود آگاهانه‌تر عمل کنند.
• پایه تحقیقات آینده: این مطالعه راه را برای پژوهش‌های آتی هموار می‌کند. تحقیقات بعدی می‌توانند این تحلیل را به دهه‌های جدیدتر، زبان‌های غیرانگلیسی، یا سبک‌های موسیقی خاص گسترش دهند و یا به بررسی انواع دیگر سوگیری‌ها (مانند نژادی یا قومیتی) بپردازند.

مقاله «تحلیل کلان سوگیری و تبعیض جنسیتی در اشعار ترانه‌ها» یک گام مهم و نوآورانه در درک رابطه پیچیده میان موسیقی عامه‌پسند و هنجارهای اجتماعی است. این پژوهش با استفاده از یک رویکرد داده‌محور و مقیاس‌پذیر، نشان داد که برخلاف برخی خوش‌بینی‌ها، بازنمایی‌های جنسیتی در موسیقی طی نیم قرن نه تنها بهبود نیافته، بلکه در برخی جنبه‌ها دچار پسرفت شده است. یافته‌های تحقیق، به ویژه افزایش محتوای سکسیستی در آثار محبوب و هنرمندان مرد، هشداری جدی در مورد تأثیر فرهنگی این رسانه قدرتمند است.

این مطالعه اثبات می‌کند که چگونه می‌توان با ترکیب هوش مصنوعی و علوم اجتماعی، به شیوه‌ای عینی و علمی به تحلیل پدیده‌های فرهنگی پرداخت و از مشاهدات فردی و کلی‌گویی فراتر رفت. در نهایت، این پژوهش ما را به تفکر وا می‌دارد که چگونه کلماتی که در ترانه‌ها زمزمه می‌کنیم، می‌توانند به صورت نامحسوس، کلیشه‌های مخرب را بازتولید و تقویت کنند و اهمیت نقد آگاهانه آنچه را که می‌شنویم، دوچندان می‌سازد.