LONDON (IT BOLTWISE) – Eine neue Studie zeigt, dass die Auswahl potenzieller romantischer Partner offenbar auf dem gleichen wertbasierten Entscheidungsmechanismus beruht, den Menschen auch bei vielen Alltagsentscheidungen nutzen. In zwei Experimenten sagte ein computationales Modell nicht nur voraus, wen Teilnehmende auswählten, sondern auch, wie schnell sie zu dieser Entscheidung kamen. Besonders auffällig: Ein einzelnes stark positives Merkmal kann die Gesamtbewertung dominieren, statt dass alle Vor- und Nachteile mental einfach aufsummiert werden.
Wenn Menschen über das „Rennen um den richtigen Partner“ sprechen, klingt das oft nach Gefühl. Die neue Arbeit, erschienen im Journal Cognitive Science, legt jedoch nahe, dass ein Teil dieses Prozesses rechnerisch beschreibbar ist: Ein allgemeines System zur wertbasierten Entscheidung scheint auch dann zu wirken, wenn es um romantische Präferenzen geht. Das untersuchte Forschungsteam verfolgte damit eine lange offene Frage: Welche mentalen Schritte verbinden erworbene Vorlieben und vermeintliche „Dealbreaker“ zu einer konkreten Auswahl?
Technisch beschreibt die Studie das über eine Theorie der „Psychological Value Theory“. Statt romantische Entscheidungen als grundsätzlich einzigartig zu behandeln, integriert die Theorie sie in einen breiteren Rahmen: Menschen bewerten Kandidaten über ähnliche Wertmechanismen wie bei alltäglichen Urteilen, etwa bei der Auswahl eines Produkts, einer Option im Job oder einer Route. Das Team um Dale J. Cohen von der University of North Carolina Wilmington nutzte dafür zwei Experimente mit hypothetischen Partnerprofilen. Dabei verglich man im ersten Versuch Partner, die jeweils nur durch ein einzelnes Merkmal charakterisiert waren. So ließ sich der Beitrag einzelner Eigenschaften zur Gesamtpräferenz isolieren.
Im zweiten Experiment wurden mehrere Merkmale gleichzeitig präsentiert – also genau der Zustand, in dem reale Auswahlentscheidungen typischerweise stattfinden. Hier ging es darum zu verstehen, wie Teilnehmende positive und negative Eigenschaften zu einem Endwert verdichten. Wichtig ist: Die Forscher maßen nicht nur, welche Profile ausgewählt wurden, sondern auch die Reaktionszeit bis zur Entscheidung. Diese Kombination aus Wahl und Geschwindigkeit ist in der Kognitionsforschung besonders aussagekräftig, weil sie implizit verrät, ob ein Modell die innere Bewertung korrekt abbildet oder lediglich Treffer bei der Endentscheidung erzielt.
Die Ergebnisse stützen die Psychological Value Theory deutlich. In beiden Experimenten sagte das Modell sowohl die Entscheidungen als auch die Reaktionszeiten sehr genau voraus; laut Bericht erklärte es über 85 Prozent der beobachteten Variation im Verhalten. Das ist mehr als eine „Korrelation umgangssprachlich“, denn es deutet auf einen strukturellen Zusammenhang zwischen der modellierten Wertberechnung und dem menschlichen Entscheidungsverhalten hin. Aus technischer Sicht ist das vergleichbar mit einem gut trainierten Prognosemodell in der ML-Praxis: Hohe Erklärungskraft bei mehreren Zielgrößen (choice und RT) reduziert die Wahrscheinlichkeit, dass die Übereinstimmung nur durch Zufall oder Messrauschen entsteht.
Der besonders interessante Befund betrifft die Aggregation mehrerer Eigenschaften. Viele klassische Ansätze nehmen an, Menschen addierten gedanklich positive und negative Qualitäten zu einem Gesamtwert. Die Daten sprechen jedoch für eine andere Art der Integration: Die Autorinnen und Autoren beschreiben, Teilnehmende „integrieren multiple Features via a Biased Average algorithm“, bei dem das positivste Merkmal überproportionalen Einfluss erhält. Damit wird erklärbar, warum ein „sehr attraktives“ Kriterium – etwa Humor oder Stabilität – in der frühen Phase einen größeren Effekt haben kann als mehrere mittelstarke Vorteile zusammen.
Als theoretischer „Wettbewerber“ oder Vergleich lässt sich hier Prospect Theory heranziehen, die ebenfalls betont, dass Bewertungen nicht linear aggregiert werden, sondern systematischen Verzerrungen folgen können. Auch wenn Prospect Theory sich primär auf Gewinne und Verluste unter Risiko bezieht, zeigt sie historisch, dass Menschen bei Wertberechnungen häufig nicht-additiv handeln. In dieser Studie verschiebt sich der Fokus: Die Verzerrung entsteht nicht aus dem Rahmen von Unsicherheit, sondern aus der Art, wie Merkmale innerhalb eines kandidatenbasierten Vergleichs zusammengeführt werden. Experten berichten in ähnlichen Kontexten, dass solche Mechanismen besonders gut zu „First-Impression“-Phänomenen passen, weil die frühen Eindrücke oft durch dominante Signale geprägt sind.
Für den Markt- und Technologiebezug ist das mehr als Psychologie-Snack: Ein computationaler Entscheidungsrahmen, der Wahl und Zeit reproduziert, ist direkt anschlussfähig an KI-gestützte Personalisierung und Empfehlungssysteme. Zwar soll die Studie keine Dating-Mechanik liefern, aber sie zeigt, wie wertbasierte Modelle unter realistischen Constraint-Daten funktionieren könnten. Genau das macht den Ansatz interessant für Enterprise-Entscheidungssoftware: Wenn Unternehmen wissen, welche Faktoren „dominant“ wirken, können sie UX- und Entscheidungsprozesse so gestalten, dass Nutzer schneller zu robusten Ergebnissen kommen. Im Vergleich zu reinen Additionsmodellen könnte ein biased-average-Mechanismus die Interpretierbarkeit verbessern, weil er offenlegt, warum einzelne Merkmale stärker gewichtet werden.
Gleichzeitig bleiben Grenzen. Die Teilnehmenden bewerteten hypothetische Partnerprofile statt reale Personen, und reale romantische Entscheidungen enthalten Emotionen, soziale Dynamiken und kontextabhängige Variablen. Das ist nicht nur ein methodisches Detail, sondern ein wesentlicher Punkt für Validität: Laborbedingungen reduzieren Komplexität, können aber gerade jene Faktoren abschwächen, die in echten Begegnungen die Gewichtung dominanter Merkmale verstärken oder umdrehen. In einer zukünftigen Erweiterung müsste man deshalb stärker mit dynamischen Stimuli arbeiten, etwa mit zeitlich variierenden Profilinformationen oder mit stärkerer Einbettung in soziale Referenzen.
Auch aus Datenschutz- und Ethikperspektive ist Vorsicht geboten. Die Studie arbeitet zwar mit nicht-personenbezogenen, hypothetischen Profilen, aber die Übertragbarkeit auf reale Systeme würde schnell in den Bereich sensibler Daten und Rechte fallen. Sobald Messungen wie Reaktionszeiten oder präferenzbasierte Profile in einer produktiven Anwendung erhoben werden, müssen Unternehmen technische und organisatorische Maßnahmen sauber planen: Zweckbindung, Minimierung, Aufbewahrungsfristen und Transparenz über die Modellwirkung. Wer Künstliche Intelligenz als Entscheidungshilfe nutzt, sollte außerdem erklärbare Mechanismen bevorzugen, damit Nutzer nachvollziehen können, warum ein bestimmtes Merkmal stärker durchschlägt als andere.
Ausblickend lässt sich die Arbeit als Baustein für ein allgemeines Framework lesen: „initial romantic partner choice recruits a general-purpose, value-based decision mechanism“, wie das Team es zusammenfasst. Entscheidend ist, dass das Modell nicht nur sagt, welches Profil gewählt wird, sondern auch, wie schnell die Entscheidung fällt – also eine Art kognitives Timing mitliefert. Für die Forschung bedeutet das mehr als nur Bestätigung; es liefert eine rechnerische Grundlage, um frühe Beziehungsphasen besser zu modellieren. Für Entwickler ergibt sich die praktische Lehre, dass Wertaggregation in menschlichen Entscheidungen oft nicht additiv ist, sondern von dominanten Signalen gesteuert wird – ein Muster, das sich in zukünftigen Anwendungen für Empfehlung, Assistenz und Entscheidungsdesign wiederfinden dürfte.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- NIEDLICHER BEGLEITER: Eilik ist der ideale Begleiter für Kinder und Erwachsene, die Haustiere, Spiele und intelligente Roboter lieben. Mit vielen Emotionen, Bewegungen und interaktiven Funktionen.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Romantikwahl nach Rechenmodell: Warum ein Merkmal stärker wirkt als viele" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Romantikwahl nach Rechenmodell: Warum ein Merkmal stärker wirkt als viele" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Romantikwahl nach Rechenmodell: Warum ein Merkmal stärker wirkt als viele« bei Google Deutschland suchen, bei Bing oder Google News!