Чи можна обчислити іскру?

Я алгеброю гармонію повірив.

— О. С. Пушкін, «Моцарт і Сальєрі»

Цифра «94 відсотки» звучить переконливіше, ніж «можливо, вам буде про що поговорити». Саманта Джоел, Пол Іствік та Ілай Фінкел позбавили обіцянку зручної невизначеності. Вони зібрали дані швидкісних побачень — більше сотні характеристик на людину — і поставили машині конкретну задачу: до зустрічі передбачити, наскільки саме ці двоє зацікавляться одне одним після розмови.

Машина навчилася двох речей. Вона могла передбачити загальну привабливість: деякі люди подобалися багатьом. І могла передбачити загальну схильність захоплюватися: деякі учасники самі ставили високі оцінки майже всім. Третя задача виявилася впертішою: чи сподобається конкретний А конкретному Б сильніше, ніж слід було очікувати з їхніх загальних тенденцій. Саме це користувач зазвичай і називає сумісністю. У передбаченні унікальної парної частини оцінки модель майже не просунулася.

Перевірка на людях, яких модель не бачила

Головна перевірка почалася на людях, чиїх відповідей машина не бачила під час навчання. На знайомій вибірці складний алгоритм здатен запам’ятати випадкові поєднання музики, гумору та оцінок і взяти шум за закономірність. Тому частину спостережень приховали до фіналу. На нових учасниках модель упевнено розрізняла загальну привабливість і загальну схильність захоплюватися, але унікальну парну частину — особливий потяг А до Б — майже не передбачала.

Після вдалого побачення пояснення знаходиться легко: обоє люблять собак, сходяться в політиці й сміються із сухих жартів. Така розповідь може бути точною і все ж не відрізняти цю пару заздалегідь від десятків інших з тими самими збігами. Причина, переконлива після події, ще не стає добрим прогностичним показником до неї.

Фраза «алгоритм знає вас краще, ніж ви самі» потребує уточнити предмет знання. Історію кліків — можливо. Імовірність відповісти на повідомлення — інколи. Унікальну парну реакцію до взаємодії доступні дослідження передбачають значно гірше. Це не межа будь-якого можливого алгоритму: відео, листування і спостережувана взаємодія дають дані іншого рівня. Що точніше формулюється мета, то менше магії лишається у відсотку сумісності.

Три доданки оцінки

Уявімо, що після зустрічі людина ставить партнерові сім балів із десяти. Це число можна подумки розкласти. Перша частина належить партнерові: наскільки високо його зазвичай оцінюють інші. Це загальний компонент. Друга належить тому, хто оцінює: наскільки щедро він ставить бали загалом. Третя належить парі: що сталося між цими двома понад їхні середні схильності. Перші два компоненти відносно легко обчислювати. Третій потребує інформації про взаємодію. Анкети містять дані про людей окремо і майже не містять даних про пару, якої ще не існувало.

Алгоритмові пред’явили дві фотографії інгредієнтів і попросили назвати смак ще не приготованої страви. Дослід лишає відкритими інші джерела прогнозу: відео розмови, особливості мовлення, синхронність рухів чи раннє листування можуть додати корисну інформацію. Але докладні анкети двох людей до зустрічі самі по собі майже не розкривають їхню взаємну реакцію.

Дані з’являються після зустрічі

Для алгоритму важливіший наслідок розділення загального рейтингу і приватного смаку: у міру знайомства об’єкт прогнозу змінюється. До розмови доступні обличчя, одяг, статус і анкета; після кількох зустрічей з’являються парні дані — спільні жарти, способи лагодити незручність, відчуття безпеки і передбачуваність реакції, яких у момент заповнення профілю ще не існувало.

Для індустрії точного добору неприємна сама зміна рівня даних. В аналізі 43 поздовжніх досліджень поточна якість стосунків найкраще пов’язувалася не із загальними рисами особистості, а з тим, що вже виникло всередині пари: сприйнятою відданістю партнера стосункам, вдячністю, сексуальною задоволеністю, конфліктом і відчуттям участі партнера. Зміни якості з часом передбачалися значно гірше. Алгоритм починає добре бачити союз після того, як союз виробив власну історію; до зустрічі цієї історії ще немає.

Проспективне дослідження раннього розвитку стосунків спостерігало 208 учасників і 1 065 потенційних партнерів упродовж семи місяців. Романтичний інтерес краще пояснювали оцінки, що виникали щодо конкретної людини: відчуття сумісності, сприйнята привабливість та інші парні враження. Збіг із заздалегідь заявленим ідеалом і комбінації сталих індивідуальних рис додавали істотно менше. Модель починає бачити парну реакцію після появи перших взаємодій, а не після подовження анкети.

Алгоритм як транспортна система

Застосунки сильні як транспортна система. Вони відсіюють несумісні цілі та відстань, виводять людину за межі звичного кола і за поведінкою на платформі передбачають, хто відповість або продовжить розмову. Ці дані ближчі до кліків і повідомлень, ніж до майбутнього життя пари. Користувач шукає близькість, довіру і стійкість стосунків, платформа спостерігає активність. Оптимізація другого показника здатна утримувати користувача на платформі за допомогою людей, з якими цікавіше гортати, ніж жити.

Відсоток сумісності часто виконує практичну роботу незалежно від точності: дає двом незнайомцям привід почати розмову. Для цього не потрібно бути оракулом.

Після першого контакту пошук має швидко міняти інструмент. Листування перевіряє ввічливість, цілі та здатність підтримувати розмову. Зустріч додає тілесну реакцію і базову взаємність. Повторні зустрічі показують послідовність поведінки. Кожен етап створює дані іншої якості, тому профіль відповідає лише на питання, чи достатньо підстав випити каву, але не на питання, чи варто будувати союз.

Цифра 94 відсотки може бути добрим запрошенням на каву. Відсоток стає оманливим, коли його читають як результат кави, яку ще не випито.

Основні джерела

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.