Peut-on calculer l’étincelle ?

J’ai vérifié l’harmonie par l’algèbre.

— A. S. Pouchkine, « Mozart et Salieri »

Le chiffre de « 94 pour cent » sonne plus convaincant que « vous aurez peut-être de quoi discuter ». Samantha Joel, Paul Eastwick et Eli Finkel ont retiré à cette promesse son confortable flou. Ils ont réuni des données de speed dating — plus d’une centaine de caractéristiques par personne — et ont posé à la machine une tâche précise : prédire avant la rencontre à quel point ces deux-là s’intéresseront l’un à l’autre après avoir parlé.

La machine a appris deux choses. Elle savait prédire l’attractivité générale : certaines personnes plaisent à beaucoup. Et elle savait prédire la propension générale à s’enthousiasmer : certains participants notaient haut presque tout le monde. La troisième tâche s’est révélée plus coriace : est-ce que tel A plaira à tel B plus que ne le laissaient attendre leurs tendances générales. C’est précisément ce que l’utilisateur appelle compatibilité. Sur la prédiction de cette part unique, propre au couple, le modèle n’a presque pas avancé.

Épreuve sur des gens que le modèle n’avait pas vus

Le test décisif portait sur des personnes dont la machine n’avait pas vu les réponses pendant l’entraînement. Sur un échantillon connu, un algorithme complexe peut retenir des associations fortuites entre musique, humour et notes, et prendre du bruit pour une régularité. Une partie des observations avait donc été mise de côté jusqu’à la fin. Sur ces nouveaux participants, le modèle distinguait sans peine l’attractivité générale et la propension générale à s’enthousiasmer, mais il ne prédisait presque pas la part unique du couple — l’attirance particulière de A pour B.

Après un rendez-vous réussi, l’explication vient facilement : ils aiment tous les deux les chiens, s’accordent en politique et rient des mêmes plaisanteries pince-sans-rire. Ce récit peut être exact et ne pas distinguer d’avance ce couple de dizaines d’autres présentant les mêmes points communs. Une cause convaincante après coup ne fait pas encore un bon indice prédictif avant.

La formule « l’algorithme vous connaît mieux que vous-même » demande qu’on précise l’objet de cette connaissance. L’historique des clics — peut-être. La probabilité de répondre à un message — parfois. La réaction unique d’un couple avant toute interaction, les recherches disponibles la prédisent nettement moins bien. Ce n’est pas la limite de tout algorithme possible : la vidéo, les échanges écrits et l’interaction observée fournissent des données d’un autre ordre. Plus l’objectif est formulé avec précision, moins il reste de magie dans le pourcentage de compatibilité.

Les trois termes d’une note

Supposons qu’après une rencontre une personne attribue à l’autre sept sur dix. On peut décomposer ce nombre par la pensée. La première part revient au partenaire : la note que les autres lui donnent habituellement. C’est la composante générale. La deuxième revient à celui qui note : sa générosité globale. La troisième revient au couple : ce qui s’est passé entre ces deux-là au-delà de leurs tendances moyennes. Les deux premières composantes se calculent assez facilement. La troisième exige de l’information sur l’interaction. Les questionnaires contiennent des données sur des personnes prises séparément et presque aucune sur un couple qui n’existait pas encore.

On a montré à l’algorithme deux photos d’ingrédients en lui demandant le goût d’un plat pas encore cuisiné. L’expérience laisse ouvertes d’autres sources de prédiction : la vidéo d’une conversation, les particularités de la voix, la synchronie des gestes ou les premiers échanges écrits peuvent apporter de l’information utile. Mais les questionnaires détaillés de deux personnes avant la rencontre ne révèlent presque rien, à eux seuls, de leur réaction mutuelle.

Les données arrivent après la rencontre

Pour un algorithme, la conséquence importante de cette séparation entre note générale et goût particulier est que l’objet de la prédiction change à mesure qu’on fait connaissance. Avant la conversation, on dispose du visage, des vêtements, du statut et du questionnaire ; après quelques rencontres apparaissent des données de couple — les plaisanteries communes, les façons de réparer une maladresse, le sentiment de sécurité, la prévisibilité des réactions —, qui n’existaient pas au moment de remplir le profil.

Pour l’industrie de l’appariement précis, c’est ce changement de niveau des données qui est désagréable. Dans une analyse de 43 études longitudinales, la qualité actuelle d’une relation tenait le mieux non aux traits généraux de personnalité, mais à ce qui était déjà né à l’intérieur du couple : l’engagement perçu du partenaire, la gratitude, la satisfaction sexuelle, le conflit et le sentiment d’implication de l’autre. L’évolution de cette qualité dans le temps se prédisait beaucoup moins bien. L’algorithme commence à bien voir une union après que cette union a produit sa propre histoire ; avant la rencontre, cette histoire n’existe pas.

Une étude prospective sur les débuts d’une relation a suivi 208 participants et 1 065 partenaires potentiels pendant sept mois. L’intérêt romantique s’expliquait le mieux par les jugements formés à l’égard d’une personne précise : sentiment de compatibilité, attractivité perçue et autres impressions propres au couple. La correspondance avec l’idéal déclaré d’avance et les combinaisons de traits individuels stables ajoutaient beaucoup moins. Le modèle commence à voir la réaction du couple après les premières interactions, pas après l’allongement du questionnaire.

L’algorithme comme réseau de transport

Les applications sont fortes comme réseau de transport. Elles écartent les objectifs incompatibles et la distance, font sortir du cercle habituel et prédisent, d’après le comportement sur la plateforme, qui répondra ou poursuivra la conversation. Ces données sont plus proches des clics et des messages que de la vie future d’un couple. L’utilisateur cherche l’intimité, la confiance et la solidité d’une relation ; la plateforme observe de l’activité. Optimiser la seconde permet de retenir l’utilisateur avec des gens plus intéressants à faire défiler qu’à vivre.

Le pourcentage de compatibilité fait souvent un travail pratique, quelle que soit son exactitude : il donne à deux inconnus une raison d’engager la conversation. Pour cela, nul besoin d’être oracle.

Après le premier contact, la recherche doit vite changer d’instrument. Les échanges écrits testent la politesse, les objectifs et la capacité à tenir une conversation. La rencontre ajoute la réaction corporelle et une réciprocité de base. Les rendez-vous suivants montrent la constance du comportement. Chaque étape produit des données d’une autre qualité ; le profil répond donc seulement à la question de savoir s’il y a de quoi prendre un café, pas à celle de savoir s’il faut construire une union.

Le chiffre de 94 pour cent peut faire une bonne invitation à prendre un café. Il devient trompeur quand on le lit comme le résultat d’un café qui n’a pas encore été bu.

Sources principales

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.