„Wir alle summen sie mit. Aber was singen wir da eigentlich? Während ich politische Narrative oft kritisch hinterfrage, ließ ich mich von Popmusik lange emotional berieseln. Die Philosophin Carrie Jenkins stellte die These auf, dass Popmusik Gefühle nicht nur spiegelt, sondern sie aktiv konstruiert. Ich wollte wissen: Kann man das messen?“
Um Jenkins’ These zu prüfen, brauchte ich eine Datenbasis, die groß genug ist, um statistisches „Rauschen“ von echten Trends zu unterscheiden. Ich habe mich für die Billboard Hot 100 Charts entschieden – den kommerziellen Herzschlag der Popkultur seit 1960.
Der Maschinenraum: 10.000 Songs und die Tücke der Daten
In meiner Datenbank liegen nun rund 10.000 Songs. Doch Rohdaten sind oft „schmutzig“. Spotify-Metadaten geben zum Beispiel häufig das Jahr einer Compilation statt des Original-Releases an. Um die chronologische Präzision zu wahren, habe ich in mehreren iterativen Schritten unter Einsatz von KI die Veröffentlichungsjahre verifiziert und korrigiert.
Zusätzlich habe ich die Texte mit der Spotify-API verknüpft. Werte wie Valence (musikalische Fröhlichkeit) und Danceability erlauben es mir, Lügen zu entlarven: Wenn ein Song textlich von Isolation handelt, aber musikalisch eine Party feiert, finden wir eine Dissonanz – ein perfektes Versteck für toxische Botschaften.
Die KI als Soziologe: Prompt Engineering
Das Herzstück ist die Analyse durch Google Gemini 2.5 Flash Lite. Ich musste die philosophischen Theorien in messbare Kriterien übersetzen. Mein Prompt zwingt die KI, jeden Song auf spezifische Hypothesen zu prüfen:
- Phantom-Faktor (nach Thomas Scheff): Wird der Partner als Mensch mit Charakter beschrieben oder bleibt er eine Projektionsfläche für das eigene Ego?
- Toxizitäts-Index: Wo beginnt Übergriffigkeit? Ich messe Elemente von Besitzanspruch, Stalking und emotionaler Erpressung.
- Inevitability-Faktor: Wird Liebe als aktive Entscheidung dargestellt oder als schicksalhafte Naturgewalt?
- Gender-Skript: Verharren wir in alten Rollenbildern (der aktive „Hero“ vs. die wartende „Damsel“)?
- Volatilitäts-Index: Belohnt der Markt Stabilität oder das On-Off-Chaos der „intermittierenden Verstärkung“?
Der „Pata Pata“-Moment & das Queen-Dilemma
Datenanalyse ist nur so gut wie ihre Filter. Mitten im Testlauf meldete die KI für Miriam Makebas „Pata Pata“ einen maximalen Phantom-Score von 10. Warum? Weil der Song keinen Partner beschreibt, sondern einfach nur vom Tanzen handelt! Ich lehrte das System per Context-Injection, zwischen Romantic Love und reinen Party-Songs zu unterscheiden.
Auch das Gender-Problem bei Bands musste gelöst werden: „Queen“ oder „ABBA“ sind laut Metadaten schlicht eine „Gruppe“. Ein Algorithmus, der nur das liest, kann keine Geschlechterrollen analysieren. Mein Skript zwingt die KI nun, anhand ihres Weltwissens die Lead-Stimme zu identifizieren (Freddie Mercury = Male), um die Rollenverteilung korrekt zuzuordnen.
Das Ergebnis
Nach einer Nacht Rechenzeit und tausenden API-Calls zeigen die Ergebnisse Muster, die ich so nicht erwartet hätte. Die Daten bestätigen nicht nur Jenkins und Scheff, sie zeigen eine extreme Korrelation zwischen Chart-Erfolg und Beziehungs-Instabilität. Es scheint, als ob wir Drama lieben – oder zumindest am liebsten kaufen.
- Drama-Zunahme: Die emotionale Volatilität steigt geschlechterübergreifend an.
- Emanzipations-Schere: Frauen befreien sich aus Rollen, Männer verharren oft im „Hero“-Skript.
Methodischer Tiefgang: Wer mehr über das statistische „Rauschen“, die iterative Fehlerkorrektur der Jahreszahlen und die erkenntnistheoretischen Grenzen dieser Studie erfahren möchte, findet alle Details in meinem Whitepaper zur Songanalyse.
