In today’s digital age, the availability of vast amounts of songs on streaming platforms ensures that almost every music track you could ever desire is just one click away. As a result, music has become a ubiquitous part of people’s daily lives. Digital music players and music streaming platforms often have a shuffle algorithm that helps the user diversify their listening experience. By taking a set of songs and changing their order, users can listen to their music in a different order each time. However, due to common human biases including how humans find non-existing patterns in randomness, the given output may be unsatisfactory to the users. This thesis addresses the problem of users complaining about the music shuffle algorithms to find properties needed to develop shuffle algorithms with better user experience. First, a literature study was conducted to gain knowledge about how existing shuffle algorithms work and about human psychology. Along with an exploratory survey to get feedback on the current status of music shuffle algorithms and what features people want in a new algorithm. Five different algorithms were developed and tested with users in a web-based music player. The song distribution generated by the algorithms was also compared with those of major music streaming providers. The results suggest that optimal music shuffling involves spreading songs by the same artist or album to prevent grouping. Furthermore, the conclusion was that often the algorithms are not the problem, rather cognitive biases are the problem and people really tend to see patterns where none exists.

Tillgången på stora mängder av låtar i dagens digitala ålder gör att nästan varje låt du någonsin har önskat är bara ett klick bort. Det har gjort musik till en allmänt förekommande del i människors vardag. Digitala musikspelare och musikströmmningsplatformar har ofta en blandningsalgoritm som hjälper användarna att diversifiera sin lyssningsupplevelse. Genom att ta en uppsättning låtar och ändra deras ordning, kan användarna lyssna på sin musik i olika ordningar varje gång. Men på grund av vanliga mänskliga bias, inklusive hur människor hittar icke-existerande mönster i slumpmässighet, kan det resulterande utfallet vara otillfredsställande för användarna. Detta examensarbete behandlar problemet med användare som klagar på blandningsalgoritmerna för att hitta egenskaper som behövs för att utveckla blandningsalgoritmer med bättre användarupplevelse. Först genomfördes en litteraturstudie för att få kunskap om hur befintliga blandningsalgoritmer fungerar och om mänsklig psykologi, tillsammans med en utforskningsfas för att få respons om det nuvarande stadiet för musikblandningsalgoritmerna och vilka funktioner som människor vill ha i en ny algoritm. Fem nya algoritmer utvecklades och testades med användare i en webbaserad musikspelare. Låtfördelningen som genererades av algoritmerna jämfördes också med de från stora musikströmmningstjänster. Resultaten visade att en optimal musikblandning innebär att låtar från samma artist eller album sprids för att förhindra gruppering. Dessutom var slutsatsen att ofta är det inte algoritmerna som är problemet, utan kognitiva fördomar och att människor tenderar att se mönster som inte finns.