Is de vonk te berekenen?

Ik toetste de harmonie met algebra.

— A. S. Poesjkin, „Mozart en Salieri”

Het cijfer „94 procent” klinkt overtuigender dan „misschien hebt u iets om over te praten”. Samantha Joel, Paul Eastwick en Eli Finkel ontnamen die belofte haar comfortabele vaagheid. Ze verzamelden gegevens van speeddates — meer dan honderd kenmerken per persoon — en gaven de machine een concrete opdracht: voorspel vóór de ontmoeting hoezeer juist deze twee na een gesprek in elkaar geïnteresseerd zullen zijn.

De machine leerde twee dingen. Ze kon de algemene aantrekkelijkheid voorspellen: sommige mensen vielen bij velen in de smaak. En ze kon de algemene neiging tot verliefdheid voorspellen: sommige deelnemers gaven zelf bijna iedereen hoge cijfers. De derde opgave bleek koppiger: zal een bepaalde A een bepaalde B leuker vinden dan op grond van hun algemene neigingen te verwachten viel. Precies dat noemt de gebruiker meestal compatibiliteit. In het voorspellen van het unieke paargebonden deel van de beoordeling kwam het model nauwelijks vooruit.

Toetsing bij mensen die het model niet had gezien

De belangrijkste toets begon bij mensen wier antwoorden de machine tijdens het trainen niet had gezien. Op een bekende steekproef kan een ingewikkeld algoritme toevallige combinaties van muziek, humor en cijfers uit het hoofd leren en ruis voor een wetmatigheid aanzien. Daarom werd een deel van de waarnemingen tot het slot verborgen gehouden. Bij nieuwe deelnemers onderscheidde het model de algemene aantrekkelijkheid en de algemene neiging tot verliefdheid met overtuiging, maar het unieke paargebonden deel — de bijzondere aantrekking van A tot B — voorspelde het vrijwel niet.

Na een geslaagde date is de verklaring snel gevonden: allebei houden ze van honden, ze zijn het politiek eens en ze lachen om droge grappen. Zo’n verhaal kan kloppen en dit paar toch niet vooraf onderscheiden van tientallen andere met dezelfde overeenkomsten. Een reden die na de gebeurtenis overtuigt, is daarmee nog geen goed voorspellend kenmerk vooraf.

De zin „het algoritme kent u beter dan uzelf” vraagt om precisering van het onderwerp van die kennis. De klikgeschiedenis — mogelijk. De kans dat u op een bericht antwoordt — soms. De unieke paargebonden reactie vóór de interactie voorspellen de beschikbare onderzoeken aanzienlijk slechter. Dat is niet de grens van elk mogelijk algoritme: video, correspondentie en waargenomen interactie leveren gegevens van een ander niveau. Hoe nauwkeuriger het doel wordt geformuleerd, hoe minder magie er in het compatibiliteitspercentage overblijft.

Drie termen van de beoordeling

Stel dat iemand zijn partner na de ontmoeting zeven van de tien punten geeft. Dat getal is in gedachten te ontleden. Het eerste deel behoort aan de partner: hoe hoog anderen hem gewoonlijk beoordelen. Dat is de algemene component. Het tweede behoort aan de beoordelaar: hoe royaal hij in het algemeen punten geeft. Het derde behoort aan het paar: wat er tussen deze twee gebeurde bovenop hun gemiddelde neigingen. De eerste twee componenten zijn betrekkelijk eenvoudig te berekenen. De derde vereist informatie over de interactie. Vragenlijsten bevatten gegevens over mensen afzonderlijk en vrijwel geen gegevens over een paar dat nog niet bestond.

Het algoritme kreeg twee foto’s van ingrediënten voorgelegd met het verzoek de smaak te noemen van een gerecht dat nog niet was bereid. Het experiment laat andere voorspellingsbronnen open: video van een gesprek, kenmerken van spraak, synchroniteit van bewegingen of vroege correspondentie kunnen nuttige informatie toevoegen. Maar uitvoerige vragenlijsten van twee mensen vóór de ontmoeting onthullen op zichzelf vrijwel niets over hun wederzijdse reactie.

De gegevens ontstaan na de ontmoeting

Voor het algoritme is het gevolg van de scheiding tussen algemene waardering en persoonlijke smaak belangrijker: naarmate men elkaar leert kennen, verandert het object van de voorspelling. Vóór het gesprek zijn gezicht, kleding, status en vragenlijst beschikbaar; na een paar ontmoetingen ontstaan paargegevens — gedeelde grappen, manieren om ongemak te herstellen, een gevoel van veiligheid en voorspelbaarheid van reacties, die op het moment van het invullen van het profiel nog niet bestonden.

Voor de industrie van de precieze koppeling is juist die verschuiving van gegevensniveau onaangenaam. In een analyse van 43 longitudinale onderzoeken hing de actuele kwaliteit van de relatie het sterkst samen niet met algemene persoonlijkheidstrekken, maar met wat al binnen het paar was ontstaan: de waargenomen toewijding van de partner aan de relatie, waardering, seksuele tevredenheid, conflict en het gevoel dat de partner betrokken is. Veranderingen in kwaliteit door de tijd heen werden veel slechter voorspeld. Het algoritme gaat de verbintenis pas goed zien nadat die verbintenis een eigen geschiedenis heeft voortgebracht; vóór de ontmoeting is die geschiedenis er nog niet.

Een prospectief onderzoek naar de vroege ontwikkeling van relaties volgde 208 deelnemers en 1 065 mogelijke partners gedurende zeven maanden. Romantische belangstelling werd het best verklaard door oordelen die ten aanzien van een concrete persoon ontstonden: het gevoel van compatibiliteit, de waargenomen aantrekkelijkheid en andere paargebonden indrukken. De overeenkomst met een vooraf verklaard ideaal en combinaties van stabiele individuele trekken voegden aanzienlijk minder toe. Het model gaat de paargebonden reactie zien na de eerste interacties, niet na het verlengen van de vragenlijst.

Het algoritme als vervoerssysteem

Apps zijn sterk als vervoerssysteem. Ze filteren onverenigbare doelen en afstand weg, brengen iemand buiten zijn gewone kring en voorspellen op grond van gedrag op het platform wie zal antwoorden of het gesprek zal voortzetten. Die gegevens liggen dichter bij klikken en berichten dan bij het toekomstige leven van een paar. De gebruiker zoekt nabijheid, vertrouwen en een stabiele relatie, het platform observeert activiteit. Het optimaliseren van die tweede maat kan de gebruiker op het platform houden met behulp van mensen met wie doorscrollen interessanter is dan samenleven.

Het compatibiliteitspercentage doet vaak praktisch werk, ongeacht de nauwkeurigheid: het geeft twee onbekenden een aanleiding om een gesprek te beginnen. Daarvoor hoef je geen orakel te zijn.

Na het eerste contact moet het zoeken snel van instrument wisselen. Berichtenverkeer toetst beleefdheid, doelen en het vermogen een gesprek gaande te houden. Een ontmoeting voegt de lichamelijke reactie en de basale wederkerigheid toe. Herhaalde ontmoetingen tonen de consistentie van gedrag. Elke fase produceert gegevens van een andere kwaliteit, en daarom beantwoordt een profiel alleen de vraag of er genoeg reden is om koffie te drinken, en niet de vraag of het de moeite waard is een verbintenis te bouwen.

Het cijfer 94 procent kan een goede uitnodiging voor koffie zijn. Het percentage wordt misleidend wanneer het wordt gelezen als het resultaat van koffie die nog niet is gedronken.

Belangrijkste bronnen

Joel, S., Eastwick, P. W., & Finkel, E. J. (2017). Is romantic desire predictable? Machine learning applied to initial romantic attraction. Psychological Science, 28(10), 1478–1489.

Eastwick, P. W., & Hunt, L. L. (2014). Relational mate value: Consensus and uniqueness in romantic evaluations. Journal of Personality and Social Psychology, 106(5), 728–751.

Joel, S., Eastwick, P. W., Allison, C. J., et al. (2020). Machine learning uncovers the most robust self-report predictors of relationship quality across 43 longitudinal couples studies. Proceedings of the National Academy of Sciences, 117(32), 19061–19071.

Eastwick, P. W., Joel, S., Carswell, K. L., Molden, D. C., Finkel, E. J., & Blozis, S. A. (2023). Predicting romantic interest during early relationship development: A preregistered investigation using machine learning. European Journal of Personality, 37(3), 276–312.