Methodik & Lesehilfe

Diese Seite ist die ausführliche Lesehilfe zum Simulator. Sie erklärt — in ruhiger, deskriptiver Sprache — was die Simulation tut, warum sie tut, was sie tut, und wo ihre Grenzen liegen. Wenn dir im Lab etwas unklar ist, ist die Antwort sehr wahrscheinlich hier.

1. Was die Simulation ist

Ein Modell. Genauer: ein agentenbasiertes Modell mit etwa 2 000 synthetischen Profilen, die einander auf einem virtuellen Dating-Marktplatz begegnen. Du übernimmst die Architekten-Perspektive — du bist nicht selbst auf der App, sondern bestimmst die Regeln. Slider links steuern Selektivität, Geschlechterverhältnis und Populationsgröße. Mit einem Klick wechselst du den Empfehlungs-Algorithmus. Optional aktivierst du Dark Patterns aus realer Plattform-Praxis. Rechts siehst du in Echtzeit, was deine Eingriffe bewirken.

Alles passiert im Browser. Es gibt keinen Server, keine Telemetrie deiner Slider-Bewegungen, keine Speicherung außer Theme- und Sprachpräferenz. Beim Tab-Schließen ist die Simulation weg. Geteilte Seeds in URLs reproduzieren denselben Lauf bei einem anderen Besuch.

2. Warum es sie gibt

Dating-Plattformen sind sozio-technische Experimente an Millionen Menschen. Ihre internen Regeln sind nicht öffentlich. Was wir wissen, stammt aus aggregierten Industrie-Reports, Whistleblower-Daten, juristischen Verfahren und vereinzelten Forschungspapieren. Eine Simulation kann diese externe Sicht in ein nachvollziehbares Mechanismen-Modell verwandeln. Du siehst nicht eine perfekte Nachbildung von Tinder oder Hinge — du siehst, welche Effekte gewisse Architekturen strukturell erzwingen.

Ziel: dass du nach einer Stunde mit dem Lab nicht denkst „mit Algorithmen kennt sich nur die Mathematik aus", sondern: „ich verstehe, warum SMR auf Hinge so aussieht, wie es aussieht, und welche Geschäftsentscheidung dahintersteht."

3. Die Population

2 000 Agenten per Default (Slider 500–10 000). Jeder Agent trägt einen Vektor:

• Gender — binär 0/1. Das ist eine Vereinfachung; die zugrundeliegenden Studien sind binär erhoben. Reale Nutzerschaft ist diverser.
• Attraktivität — latent, normalverteilt um 0,5. Kein realer Wert, sondern ein abstraktes Konstrukt für „wie oft wird dieses Profil positiv markiert, wenn andere es sehen".
• Selektivität — wie oft der Agent selbst andere positiv markiert. Männliche Agenten starten mit 46 %, weibliche mit 5,5 % (mit etwas Rauschen).
• Interessen — eine 32-Bit-Bitmaske, 4–8 zufällige Bits gesetzt. Verwendet für Jaccard-Ähnlichkeit in FAIR-MATCH.
• Trait — abstraktes Merkmal, das in der Realität oft Ethnizität abbildet. Wird ausschließlich aktiv, wenn der Dark-Pattern-Toggle „Merkmals-Bias" eingeschaltet ist.
• Zähler — Likes gesendet/empfangen, Matches, Nachrichten, Tage aktiv, Frustration.

Die Geschlechterverteilung 67 % männlich / 33 % weiblich entspricht aggregierten Plattformdaten 2024/2025. Diese Asymmetrie ist Voraussetzung für alle nachfolgenden Effekte.

4. Die vier Engines — was sie tun, und warum sie sich unterscheiden

Engine A — ELO

Idee: aus dem Schach übernommen. Jeder Agent hat einen versteckten Score (start 1500). Bei einem Match steigen beide Scores um einen Betrag, der von der Differenz vor dem Match abhängt: liket dich jemand mit viel höherem Score, gewinnst du mehr Punkte; liket dich jemand mit deutlich niedrigerem Score, gewinnst du fast nichts.

Effekt: Hierarchien bilden sich rasch. Eine Elite zirkuliert untereinander, die Mehrheit verliert Sichtbarkeit. Tinder hat in seiner Frühphase mit einem solchen System gearbeitet und ist offiziell davon abgerückt — Reste der Logik wirken aber bis heute nach.

Engine B — Gale-Shapley

Idee: Nobelpreis-gekrönter Algorithmus zur stabilen Verteilung von Paarungen (klassisches „Stable Marriage Problem"). Jede Iteration: alle verfügbaren Männer schlagen vor, alle Frauen entscheiden — und keine Paarung ist stabil, wenn zwei Personen lieber miteinander wechseln würden.

Eigenheit in dieser Simulation: die Agenten betreiben „aspirational pursuit" — sie lehnen Vorschläge ab, deren Attraktivität deutlich unter ihrer eigenen Aspirations-Schwelle liegt. Resultat: viele Matches scheitern, weil beide Seiten Profile außerhalb ihrer Liga ablehnen, obwohl der Algorithmus die Paarung als „stabil" identifiziert hätte.

Hinge nutzt diese Logik für sein „Most Compatible"-Feature.

Engine C — Collaborative Filtering

Idee: „Wer ähnlich klickt wie du, hat ähnlichen Geschmack" — übertragen aus dem E-Commerce („Kunden, die das kauften, kauften auch…").

Problem: verstärkt Mehrheitsmeinungen exponentiell. Profile, die ohnehin viele Likes haben, werden noch mehr Leuten gezeigt; Profile mit wenigen Likes verschwinden. Das ist der dokumentierte „Popularitäts-Bias". Marginalisierte oder nicht-mainstream-konforme Profile werden systematisch unter-empfohlen.

Engine D — FAIR-MATCH

Idee: reziproker Empfehlungs-Algorithmus. Statt einseitig „passt X zu Y?" wird das harmonische Mittel von zwei gerichteten Wahrscheinlichkeiten gebildet — passt X zu Y und passt Y zu X. Das harmonische Mittel hat eine wichtige Eigenschaft: ist eine der beiden Werte klein, fällt das Gesamtergebnis stark ab. Asymmetrisches Interesse wird automatisch abgewertet.

Effekt: Popularitäts-Bias wird reduziert. Gini sinkt. Aber: weniger Matches insgesamt, weil die Engine konservativer rankt.

5. Die KPIs lesen

SMR — Swipe-to-Match-Ratio

SMR = Matches ÷ gesendete Likes. Der harte Indikator für „Marktwert" auf der App. Empirisch für Tinder/Hinge:

• Männer: Durchschnitt ca. 5,3 %, Median 2 %. Top 10 % > 12,5 %.
• Frauen: Durchschnitt ca. 44 %, Median 41 %. Bottom 10 % bei rund 15,8 %.

Wenn deine Simulation für Männer eine SMR von 30 % zeigt, hast du entweder die weibliche Selektivität auf untypisch hohe Werte geschoben, oder du läufst eine sehr kleine Population mit Glück. Realistisch sind die Defaults — und genau darum sind sie Defaults.

MRR — Message-Response-Rate

Anteil deiner Eröffnungsnachrichten, auf die geantwortet wird. Misst, ob deine Konversation überhaupt startet. Wir trennen MRR „du initiierst" und MRR „Gegenüber initiiert" — die Asymmetrie ist riesig (Männer initiieren 79 % der Konversationen, mit 12-Zeichen-Openern; Frauen initiieren 21 % mit 120+ Zeichen).

MDC — Match-to-Date-Conversion

Anteil der Matches, die zu einem simulierten realen Date führen. In der Realität 3–10 %. Ist dein Wert niedriger, hast du wahrscheinlich Dark Patterns aktiviert oder eine sehr ungleiche Verteilung.

Gini-Koeffizient

Aus der Volkswirtschaftslehre übernommen. Beschreibt, wie ungleich eine Verteilung ist. 0 = jeder bekommt gleich viel, 1 = einer bekommt alles. Hinge liegt empirisch bei ~0,58 — das ist mehr Ungleichheit als die meisten Volkswirtschaften der Welt aufweisen. Unsere Default-Simulation reproduziert diesen Wert ungefähr.

Top-10-%-Anteil

Anteil aller weiblichen Likes, der an die obersten 10 % der männlichen Profile geht. Empirisch ~58 %. Wenn dieser Wert auf 80 % steigt, ist Engine C (Collaborative) wahrscheinlich aktiv — oder du hast Trait-Bias an.

Burnout-Index

Aggregat aus „Frustration" über alle aktiven Agenten. Frustration wächst, wenn Likes ohne Match bleiben, wenn Konversationen abbrechen, wenn Dark Patterns die User-Experience degradieren. Ab 75 % triggert der Endzustand: eine Modal-Mitteilung über simulierte Massen-Abwanderung. Realer Vergleichswert: 79 % der Gen Z, 80 % der Millennials berichten von App-Burnout.

6. Dark Patterns

Dark Patterns sind Designentscheidungen, die Nutzerverhalten gegen Nutzerinteresse steuern. Sie sind in der Simulation explizit benannt, defaultmäßig aus, und mit einem Klick aktivierbar. Du sollst sehen, was sie tun — nicht weil sie cool sind, sondern weil sie real existieren.

Surveillance Pricing

Premium-Preise variieren basierend auf erfassten Verhaltens- und Demografie-Daten. Wer länger aktiv ist, wenige Matches hat oder zu typischen „Verzweiflungs-Zeiten" swipet, zahlt mehr. Reales Beispiel: 2018er Sammelklage gegen Tinder (kalifornisches Gericht), Nutzer über 30 zahlten doppelt so viel wie Nutzer unter 30 für identische Premium-Features. Vergleichsumme: 60,5 Mio. USD.

Artificial Match Scarcity

Hochkompatible Paare werden zurückgehalten und nur nach Premium-Kauf entschleiert. Der Algorithmus weiß, dass X und Y sich mit hoher Wahrscheinlichkeit gegenseitig mögen würden — und macht den Match-Vorschlag erst sichtbar, wenn jemand zahlt. Wird in Industrie-Berichten (Groundwork Collaborative 2024) dokumentiert.

Merkmals-Bias

Ein abstraktes Profil-Merkmal wird algorithmisch entwertet. In Collaborative- Filtering-Engines sinkt die Sichtbarkeit der betroffenen Gruppe drastisch. Wir modellieren das als abstraktes Merkmal, nicht als Ethnizität — die reale Forschung (Cornell 2018, OkCupid-Daten) zeigt aber, dass genau dieses Muster bei etwa 65 % der untersuchten Plattformen messbar ist.

7. Formeln

Gini-Koeffizient

G = 1 − 2 · (Σ kumulierte Werte) / (n · Σ Werte) + 1/n

Jaccard-Koeffizient

J(A, B) = popcount(A ∧ B) / popcount(A ∨ B)

Harmonisches Mittel (FAIR-MATCH)

r(x, y) = 2 / (1/s(x,y) + 1/s(y,x))

mit s(x, y) = 0,6 · J(interests) + 0,4 · J(network) + 0,001

ELO-Update

e(A) = 1 / (1 + 10^((r_B − r_A) / 400)), dann r_A ← r_A + K · (1 − e(A)) bei einem Match.

8. Was die Simulation nicht kann

• Sie sagt keine Aussage über konkrete Personen aus. Die Agenten sind synthetisch.
• Sie ist kein empirisches Modell von Tinder/Hinge/Bumble. Die internen Algorithmen sind nicht öffentlich.
• Sie reproduziert keine seltenen Ereignisse (Romance Scams, Belästigung, Gewalt-Risiken) — diese gehören ins Lexikon-Kapitel Sicherheit.
• Sie ersetzt keine Therapie, keine Beratung und keine Selbsthilfe.

9. Reproduzierbarkeit

Jeder Lauf ist über einen URL-Query reproduzierbar. Beispiel: ?seed=42&pop=2000&ms=0.67&ml=0.46&fl=0.055&engine=fair-match&dp=sp,as. Gleiche URL → bit-identische Trajektorie. Teile sie, um über konkrete Befunde zu diskutieren.

10. Quellen

Defaults und Benchmark-Werte stammen aus den Quellen des Lexikons (siehe dort die Quellenlisten in den Artikeln 1–10) und der AlgoMatch-Vorlage. Wo Lexikon und Simulator sich widersprechen, gilt das Lexikon für inhaltliche Aussagen und die Simulation für ihre eigene technische Realität (z. B. Default-Parameter).