Можно ли вычислить искру?

Я алгеброй гармонию поверил.

— А. С. Пушкин, «Моцарт и Сальери»

Цифра «94 процента» звучит убедительнее, чем «возможно, вам будет о чём поговорить». Саманта Джоэл, Пол Иствик и Илай Финкел лишили обещание удобной неопределённости. Они собрали данные скоростных свиданий — больше сотни характеристик на человека — и поставили машине конкретную задачу: до встречи предсказать, насколько именно эти двое заинтересуются друг другом после разговора.

Машина научилась двум вещам. Она могла предсказать общую привлекательность: некоторые люди нравились многим. И могла предсказать общую склонность увлекаться: некоторые участники сами ставили высокие оценки почти всем. Третья задача оказалась упрямее: понравится ли конкретный А конкретному Б сильнее, чем следовало ожидать из их общих тенденций. Именно это пользователь обычно и называет совместимостью. В предсказании уникальной парной части оценки модель почти не продвинулась.

Проверка на людях, которых модель не видела

Главная проверка началась на людях, чьи ответы машина не видела во время обучения. На знакомой выборке сложный алгоритм способен запомнить случайные сочетания музыки, юмора и оценок и принять шум за закономерность. Поэтому часть наблюдений скрыли до финала. На новых участниках модель уверенно различала общую привлекательность и общую склонность увлекаться, но уникальную парную часть — особое притяжение А к Б — почти не предсказывала.

После удачного свидания объяснение находится легко: оба любят собак, сходятся в политике и смеются над сухими шутками. Такой рассказ может быть точным и всё же не отличать эту пару заранее от десятков других с теми же совпадениями. Причина, убедительная после события, ещё не становится хорошим прогностическим признаком до него.

Фраза «алгоритм знает вас лучше, чем вы сами» требует уточнить предмет знания. Историю кликов — возможно. Вероятность ответить на сообщение — иногда. Уникальную парную реакцию до взаимодействия доступные исследования предсказывают значительно хуже. Это не предел любого возможного алгоритма: видео, переписка и наблюдаемое взаимодействие дают данные другого уровня. Чем точнее формулируется цель, тем меньше магии остаётся в проценте совместимости.

Три слагаемых оценки

Представим, что после встречи человек ставит партнёру семь баллов из десяти. Это число можно мысленно разложить. Первая часть принадлежит партнёру: насколько высоко его обычно оценивают другие. Это общий компонент. Вторая принадлежит оценивающему: насколько щедро он ставит баллы в целом. Третья принадлежит паре: что произошло между этими двумя сверх их средних склонностей. Первые два компонента относительно легко вычислять. Третий требует информации о взаимодействии. Анкеты содержат данные о людях по отдельности и почти не содержат данных о паре, которая ещё не существовала.

Алгоритму предъявили две фотографии ингредиентов и попросили назвать вкус ещё не приготовленного блюда. Опыт оставляет открытыми другие источники прогноза: видео разговора, особенности речи, синхронность движений или ранняя переписка могут добавить полезную информацию. Но подробные анкеты двух людей до встречи сами по себе почти не раскрывают их взаимную реакцию.

Данные появляются после встречи

Для алгоритма важнее следствие разделения общего рейтинга и частного вкуса: по мере знакомства объект прогноза меняется. До разговора доступны лицо, одежда, статус и анкета; после нескольких встреч появляются парные данные — общие шутки, способы чинить неловкость, ощущение безопасности и предсказуемость реакции, которых в момент заполнения профиля ещё не существовало.

Для индустрии точного подбора неприятна сама смена уровня данных. В анализе 43 продольных исследований текущее качество отношений лучше всего связывалось не с общими чертами личности, а с тем, что уже возникло внутри пары: воспринимаемой приверженностью партнёра отношениям, признательностью, сексуальной удовлетворённостью, конфликтом и ощущением участия партнёра. Изменения качества со временем предсказывались гораздо хуже. Алгоритм начинает хорошо видеть союз после того, как союз произвёл собственную историю; до встречи этой истории ещё нет.

Проспективное исследование раннего развития отношений наблюдало 208 участников и 1 065 потенциальных партнёров в течение семи месяцев. Романтический интерес лучше объясняли оценки, возникавшие по отношению к конкретному человеку: ощущение совместимости, воспринимаемая привлекательность и другие парные впечатления. Совпадение с заранее заявленным идеалом и комбинации устойчивых индивидуальных черт добавляли существенно меньше. Модель начинает видеть парную реакцию после появления первых взаимодействий, а не после удлинения анкеты.

Алгоритм как транспортная система

Приложения сильны как транспортная система. Они отсеивают несовместимые цели и расстояние, выводят человека за пределы обычного круга и по поведению на платформе предсказывают, кто ответит или продолжит разговор. Эти данные ближе к кликам и сообщениям, чем к будущей жизни пары. Пользователь ищет близость, доверие и устойчивость отношений, платформа наблюдает активность. Оптимизация второго показателя способна удерживать пользователя на платформе с помощью людей, с которыми интереснее листать, чем жить.

Процент совместимости часто выполняет практическую работу независимо от точности: даёт двум незнакомцам повод начать разговор. Для этого не требуется быть оракулом.

После первого контакта поиск должен быстро менять инструмент. Переписка проверяет вежливость, цели и способность поддерживать разговор. Встреча добавляет телесную реакцию и базовую взаимность. Повторные встречи показывают последовательность поведения. Каждый этап создаёт данные другого качества, поэтому профиль отвечает лишь на вопрос, достаточно ли оснований выпить кофе, но не на вопрос, стоит ли строить союз.

Цифра 94 процента может быть хорошим приглашением на кофе. Процент становится обманчивым, когда его читают как результат кофе, который ещё не выпит.

Основные источники

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.