Methodik & Lesehilfe

Stand: 10.09.2026

Der Simulator ist ein Lehrmodell mit synthetischen Profilen. Er rekonstruiert keine Dating-App und wurde nicht gegen eine repräsentative Nutzungsstichprobe kalibriert. Alle Startwerte, Szenarien und Eingriffsstärken sind Modellannahmen.

Population und Startwerte

Standardmäßig werden 2.000 Agenten erzeugt. Der männliche Anteil beträgt 67 %, die Like-Parameter starten bei 46 % beziehungsweise 5,5 %. Diese Zahlen sind gewählte Rechenparameter, keine aktuellen Durchschnittswerte von Tinder oder Hinge. Verändere sie, um die Empfindlichkeit eines Ergebnisses zu untersuchen.

Die Population hat zwei Geschlechtsgruppen; Kandidaten werden gegengeschlechtlich gewählt. Das bildet weder die Vielfalt realer Identitäten noch sämtliche Suchkonstellationen ab. Abstrakte Merkmale wie Attraktivität, Interessen, Persönlichkeit und Frustration sind zufällig erzeugte Zustände, keine Messung realer Personen.

Fünf eigene, vereinfachte Engines

A — Elo

Ein veränderlicher Bewertungswert beeinflusst die Auswahl. Die Implementierung illustriert ein Rating-Prinzip. Sie ist keine Beschreibung des aktuellen Tinder-Algorithmus.

B — Gale–Shapley-Variante

Die Engine kombiniert Vorschlagslogik mit Attraktivitätsschwellen und weiteren Annahmen. Sie ist kein unveränderter klassischer Stable-Marriage-Algorithmus; dessen Stabilitätsgarantie lässt sich nicht einfach auf dieses Modell übertragen.

C — Collaborative-Filtering-Variante

Die Kandidatenauswahl gewichtet bisher empfangene Likes plus einen Startwert; die Match-Chance nutzt Auswahlneigung und den synthetischen Attraktivitätswert. Sie ist kein trainiertes Produktionsmodell. Der zuschaltbare Merkmals-Bias verändert hier die Kandidatenbewertung, nicht in jeder anderen Engine.

D — Reziprok

Für Kandidaten wird ein harmonisches Mittel zweier gerichteter Scores gebildet: r = 2 / (1/sxy + 1/syx). Aktuell nutzen beide Scores dieselbe symmetrische Interessen-Jaccard-Ähnlichkeit. Der Term 0,6 × Interesse + 0,4 × Netzwerk + 0,001 vereinfacht sich deshalb zu Jaccard + 0,001: „Netzwerk“ ist kein unabhängiges Signal. Die Engine schätzt kein echtes beidseitiges Interesse.

E — Reziprok ohne Eingriffe

Die Engine verwendet den reziproken Score aus D, die gemeinsame Eingriffsschicht wird jedoch übersprungen. Dort werden auch Teile von Basisfrustration, Abwanderung und Paar-Austritten berechnet. Deshalb sind Aktivität, Frustration und Austritte von E nicht direkt mit A–D vergleichbar. Ein Unterschied ist kein isolierter Kausaleffekt kommerzieller Eingriffe.

Die früheren Namen FAIR-MATCH und FAIR-Honest wurden geändert. Das namensgebende Paper wurde am 28. Januar 2026 zurückgezogen. Die Engine-IDs in gespeicherten URLs bleiben aus Kompatibilitätsgründen erhalten. Rückzugshinweis.

Kennzahlen und ihre Grenzen

• SMR: Summe der Match-Zähler einer Gruppe geteilt durch ihre Like-Zähler. Match-Zähler erfassen auch Paarungen, die von der anderen Seite ausgingen. Außerdem erhöhen manche Engines Like-Zähler bereits bei Kandidatenversuchen. Der Quotient ist daher keine sauber zugeordnete Erfolgsquote tatsächlich gesendeter Likes.
• MRR: Verhältnis durchschnittlich erhaltener zu durchschnittlich gesendeten Nachrichten, auf 1 begrenzt. Das ist ein Proxy, keine beobachtete Antwortquote pro Eröffnungsnachricht.
• MDC: Simulierte Dates geteilt durch simulierte Matches. Beides folgt dem Code, nicht beobachteten Treffen.
• Gini: Konzentration erhaltener Likes auf männlichen Profilen. 0 steht für Gleichverteilung; hohe Werte für starke Konzentration. Bei endlicher Population liegt das Maximum der verwendeten Formel unter 1. Bei ausschließlich null Likes gibt das Modell 0 aus, obwohl noch keine Verteilung von Aufmerksamkeit beobachtet wurde.
• Top-10-%-Anteil: Anteil der Likes auf den am stärksten bedachten 10 % männlichen Profile; keine Erfolgsquote einer realen Bevölkerungsgruppe.
• Frustrationsindex (im Code „Burnout“): Mittlere programmierte Frustration aktiver Agenten. Die 75-%-Schwelle für den nicht blockierenden Modellhinweis ist eine Darstellungsregel, keine klinische oder empirische Abwanderungsschwelle.

Die bisherigen empirisch beschrifteten Vergleichslinien wurden entfernt. Es liegt keine geeignete Referenzstichprobe für diese Definitionen vor. Pfeile vergleichen den aktuellen mit dem vorherigen Zustand; sie bewerten keine Menschen. Ein Gini wird als Zahl zwischen 0 und 1 angezeigt, Anteile als Prozent.

Eingriffe und Szenarien

„Surveillance Pricing“ erhöht einen abstrakten Erlösindex und Frustration anhand simulierter Verweildauer und geringer Match-Zahl. „Artificial Match Scarcity“ erhöht derzeit ausschließlich Frustration und einen Beobachtungszähler; es werden keine Paare entfernt. „Merkmals-Bias“ reduziert die Auswahlgewichtung eines abstrakten Flags ausschließlich in Engine C. Weitere Presets kombinieren solche Regeln. Diese Schalter sind Gedankenexperimente, keine nachgewiesenen aktuellen Regeln einer benannten App.

Historische Preis-Personalisierung ist dokumentiert; die konkrete Regel unseres Simulators ist dadurch nicht validiert. Ebenso belegt Forschung zu Diskriminierung keinen bestimmten Effektumfang dieses Modells. Beachte zudem, dass verschiedene Engines unterschiedliche Mengen von Kandidaten verarbeiten: Ein gleich langer Lauf ist nicht automatisch ein Versuch mit gleicher Exposition.

Geführte Experimente

Die Einstiegsexperimente verwenden zwei getrennte, neu initialisierte Läufe mit 500 Profilen, Seed 42 und jeweils 30 Modellschritten. Pro Vergleich ändert sich genau ein Parameter: Kontaktlimit, Gruppenanteil oder Engine. Beim Engine-Wechsel ändern sich mehrere interne Regeln; das ist kein isolierter Kausaltest der Popularitätsgewichtung. Ein einzelner Seed zeigt keine Robustheit über verschiedene Populationen.

Welche Schalter was bewirken

• Kontaktlimit: Begrenzt in allen fünf Engines die Kandidatenkontakte pro Profil und Schritt; 0 nutzt den Engine-Standard. Die historische URL-Bezeichnung dailyLikeCap bleibt kompatibel. Kandidatenversuche sind nicht gleich gesendete Likes. Gale–Shapley zählt im Trichter nun tatsächliche Vorschläge einschließlich Ablehnungen.
• Auswahlneigung und Population: Änderungen von Auswahlneigung, Gruppenanteil, Größe, Seed oder Catfish-Parameter erzeugen eine neue Population und starten bei Schritt 0.
• Shadow-Ban-Nudge: Markiert Profile mit vielen Kandidatenversuchen und wenigen Matches und erhöht deren Frustration. Die Kandidatenauswahl liest dieses Flag nicht; keine Sichtbarkeitssperre.
• Streak-Fakerei: Senkt Frustration in bestimmten Schritten und erhöht den Erlösindex. Fake-Near-Match: Reaktiviert einen Teil zuvor inaktiver Profile und erhöht deren Frustration. Geschlechter-Pricing: Erhöht Frustration männlicher Profile und den Erlösindex. Das sind keine tatsächlichen Nachrichten oder Zahlungen.
• Catfish-Parameter: Vergibt abstrakte Profilmarkierungen und erhöht Frustration bei einem Teil weiblicher Profile. Kein separater Prozess, der Bots Nachrichten senden oder Antworten verweigern lässt.
• Pandemie: Erhöht Frustration aktiver Profile während der Laufzeit um 0,001 je Schritt. Trend-Welle, Cooling-Off und Verifizierung: Noch ohne eigene Modellwirkung; die Steuerelemente sind deaktiviert. Alte Links können die Parameter weiterhin enthalten.
• Variante E: Überspringt die gemeinsame Frustrations- und Eingriffsschicht. Das Kontaktlimit wird weiterhin berücksichtigt. Mehrere andere Schalter bleiben hier deshalb wirkungslos.

Verteilungsformeln

Für aufsteigend sortierte, nichtnegative Werte x und kumulierte Summen C berechnet die Implementierung G = 1 − 2 × ΣC / (n × Σx) + 1/n. Jaccard misst |A ∩ B| / |A ∪ B| für Interessenmengen. Diese Rechenregeln sind überprüfbar; ihre Nutzung macht die Eingabedaten nicht empirisch.

Reproduzierbarkeit und lokale Verarbeitung

Ein Seed legt den Start des Zufallsgenerators fest. Ein vergleichbarer Lauf braucht zusätzlich dieselbe Softwareversion, dieselben Parameter sowie dieselbe Reihenfolge von Schritten und Eingriffen. Eine Start-URL allein konserviert keine späteren manuellen Änderungen.

Die Berechnung erfolgt lokal im Browser. Die Website wird über Server und Cloudflare ausgeliefert; Ansichts-, Hilfe- und Tourpräferenzen können im Browser gespeichert werden. Details erklärt der Datenschutz.

Forschungsbezug

Das Algorithmus-Kapitel trennt aktuelle Anbieterangaben und Forschungsansätze. Das Bias-Kapitel erklärt kontextabhängige Zielkonflikte. Das Quellenregister dokumentiert Datierung und Aussagegrenzen. Keine dieser Quellen validiert die Default-Werte oder eine Erfolgsprognose dieses Simulators.