Contexto y propósito
En el marco del proyecto de Aprendizaje-Servicio "Interpretación Musical y Prevención de Violencia de Género",
el alumnado de la asignatura Antropología y Folklore (Grado en Musicología, Universidad de Salamanca) ha
realizado un análisis crítico de los sesgos presentes en sistemas de inteligencia artificial generativa cuando
se les solicita producir contenido relacionado con la interpretación musical y las músicas populares.
Los sistemas de IA entrenados sobre datos masivos de internet reproducen (y en ocasiones amplifican)
las asimetrías de género y los estereotipos culturales presentes en los discursos musicales históricos.
Identificar estos patrones constituye un primer paso imprescindible para una relación crítica
con estas tecnologías en contextos educativos y de investigación musicológica.
"Los modelos de lenguaje e imagen aprenden de lo que existe: si la documentación histórica
sobre músicas populares está sesgada hacia lo masculino y hacia determinadas culturas dominantes,
los sistemas de IA reproducirán esa misma jerarquía."
Las infografías que se presentan a continuación son el resultado de ejercicios prácticos de aula
en los que el alumnado consultó diferentes herramientas de IA generativa (texto e imagen) con prompts
relacionados con géneros musicales populares (flamenco, jota, joropo, músicas familiares),
y documentó y analizó las respuestas obtenidas desde una perspectiva de género y de diversidad cultural.
Marco teórico: IA, género y músicas populares
Los grandes modelos de lenguaje (LLM) y los sistemas de generación de imágenes han sido entrenados
con corpus masivos extraídos de internet, los cuales reflejan décadas de discurso musical
androcéntrico. En el ámbito de las músicas populares, esta tendencia se manifiesta de manera
especialmente marcada: los géneros de raíz folclórica e iberoamericana aparecen reducidos
a sus figuras masculinas canónicas, mientras que las mujeres quedan relegadas a roles
ornamentales o domésticos.
El concepto de sesgo algorítmico hace referencia a la tendencia de los sistemas de IA
a reproducir y reforzar desigualdades preexistentes en los datos de entrenamiento.
En el contexto musical, estos sesgos afectan a múltiples dimensiones: la representación
de género en intérpretes, la jerarquización cultural entre géneros musicales, y la
asociación de determinados instrumentos o registros vocales con categorías de género.
El trabajo desarrollado en esta asignatura parte de la premisa de que una formación
musicológica crítica en el siglo XXI debe incluir la capacidad de identificar, nombrar
y cuestionar los sesgos que los sistemas de IA trasladan al conocimiento musical.
Solo desde ese reconocimiento puede plantearse un uso pedagógicamente responsable
de estas herramientas.
Referencias de apoyo
- Bain, M., Huh, J., Han, T., & Zisserman, A. (2023). WHISPER: Robust speech recognition via large-scale weak supervision. Proceedings of ICML.
- Blodgett, S. L., et al. (2020). Language (technology) is power: A critical survey of "bias" in NLP. Proceedings of ACL 2020, 5454–5476.
- Buolamwini, J., & Gebru, T. (2018). Gender shades: Intersectional accuracy disparities in commercial gender classification. Proceedings of FAccT 2018, 81:1–81:15.
- Epstein, Z., et al. (2023). Art and the science of generative AI. Science, 380(6650), 1110–1111.
- Green, L. (1997). Music, Gender, Education. Cambridge University Press.
Ampliar
Ampliar
Ampliar