Algorithmische Mechanik
Vom ELO-Score zu Dynamic Engagement; Gale-Shapley, kollaboratives Filtern, reziproke Empfehlungen — wie Apps entscheiden, wer wen sieht.
Algorithmen kuratieren, wer wen, in welcher Reihenfolge, mit welcher Häufigkeit, unter welchen Bedingungen sieht. Sie sind keine neutralen Vermittler.
Vom ELO-Score zu Dynamic Engagement
In der Frühphase nutzte Tinder ein aus dem Schach entlehntes ELO-ähnliches Rating: Jedes Profil hatte einen verborgenen Attraktivitäts-Score; ein Right-Swipe von einem hochbewerteten Profil hob den eigenen Wert deutlich stärker als einer von niedrig-bewertetem. [21] Das System produzierte starre Hierarchien und „Kondensationsphänomene” — eine kleine Elite zirkulierte algorithmisch immer wieder, die Mehrheit versank in Unsichtbarkeit.
Aktuelle Apps sind von reinem ELO offiziell abgerückt. Moderne Modelle gewichten Dynamic Engagement, Standort, Echtzeit-Aktivität und Selektivität:
- Wer alles liket (Right-Swipe-Rate → 100 %), produziert kein Match-Signal, sondern ein Spam-Signal.
- Die Plattform reduziert dann die Sichtbarkeit (Schattenbann-artige Effekte).
- Die aus Verzweiflung gewählte Shotgun-Strategie sabotiert algorithmisch das eigene Potenzial.
Gale-Shapley und das Stable-Marriage-Problem
Ein theoretisch anspruchsvollerer Ansatz, in Hinges Premium-Feature „Most Compatible” eingesetzt, basiert auf dem nobelpreisgekrönten Gale-Shapley-Algorithmus. [22] Er sucht stabile Paarungen in zweiseitigen Märkten: keine zwei Personen sollen einander gegenseitig dem aktuell zugewiesenen Partner vorziehen.
Empirisch internalisiert der Algorithmus geschlechtsspezifische Trade-offs: bei sonst gleicher Optik gewichten Frauen sozioökonomische Signale (Einkommen, Bildung) systematisch stärker. [22] Die Online-Sortierung weicht jedoch von realen Eheschließungen ab — „Search Frictions” im Offline-Leben spielen Rollen, die im Daten-saturierten Online-Raum entfallen.
Kollaboratives Filtern
Den Großteil der Empfehlungslogik dominiert Collaborative Filtering: Nutzer mit ähnlichen Swipe-Mustern → ähnliche Empfehlungen. Im Dating-Kontext fehlerhaft, weil:
- Es ist einseitig — Empfehlungen ignorieren, ob die andere Person zurück likt.
- Es verstärkt Mehrheitspräferenzen exponentiell (Popularitäts-Bias, Filterblasen). [26]
- Marginalisierte und non-normative Profile rutschen in Unsichtbarkeit. [27]
Reziproke Empfehlungssysteme (RRS)
Da ein Match gegenseitiges Einverständnis erfordert, behandelt die aktuelle Forschung Reciprocal Recommender Systems: Score nicht für eine Seite, sondern für die Wahrscheinlichkeit gegenseitigen Interesses. [28, 29, 30]
Ein typisches Setup:
- Interest similarity (Jaccard der Personen, die ich kontaktiert habe).
- Attractiveness similarity (Jaccard der Personen, die mich kontaktiert haben).
- Harmonisches Mittel statt arithmetisches — verhindert, dass extreme Ungleichgewichte einen Score künstlich anheben.
Frameworks wie FAIR-MATCH kombinieren reziproke Scoring mit Fairness-Constraints (demografische Balance). [26] Wissenschaftliche Evaluierungen: Collaborative Filtering ≈ 25,1 % Accuracy; reziproke Methoden ≈ 28,7 %. [26]
Was das bedeutet
- Likes verteilen ist kein Erfolgsrezept — der Algorithmus erkennt es.
- Reziprozität ist der Hebel, an dem moderne Apps drehen.
- Premium-Tier-Empfehlungen sind nicht magisch besser; sie nutzen denselben Datensatz mit größerem Such-Horizont und „uncovered scarce profiles” (siehe Monetarisierung).
Die Sichtbarkeitsmechanik ist Konsequenz technischer Designentscheidungen, nicht Naturgesetz. Wer sie kennt, kann sie weder austricksen noch ignorieren — er kann sie aber benennen.