机器学习可预测恋爱关系中的满意度

西方大学领导的国际研究小组发现，关系成功的最可靠预测指标是伴侣相信对方完全有责任。这项研究说，成功建立关系的其他重要因素包括对伴侣的亲近，欣赏和对伴侣的性满足感，这是使用机器学习算法预测人们对关系的满意度的首次系统性尝试。

西方心理学教授萨曼莎·乔尔(Samantha Joel)表示：“对恋爱关系的满意对健康，福祉和工作效率具有重要意义。” “但是对关系质量的预测指标的研究通常在范围和规模上受到限制，并且是在各个实验室中分别进行的。”

这项由乔尔(Joel)，加利福尼亚大学戴维斯分校(University of California)戴维斯分校(Paul Eastwick)和来自世界各地的84位学者进行的大规模机器学习研究，深入研究了超过11,000对夫妇和43个不同的自我报告的浪漫情侣数据集。

这项由美国国家科学院院刊发表的广泛研究为这个长期存在的问题提供了临时答案：“什么能预示我将与我的伴侣取得多快乐?” 乔尔使用机器学习(一种人工智能(AI)的应用)梳理了巨大的预测指标组合，以求找到关系满意度最强大，最可靠的预测指标，这远远超出了单个研究人员一生所希望进行的分析。

根据这项研究，特定于关系的预测因素，例如“感知到的伴侣承诺”，“欣赏”和“性满意度”，占了关系质量差异的近一半。

描述伴侣而不是关系的个人特征可以解释21%的关系质量差异。对关系质量具有最强预测力的前五个个人特征是“对生活的满意度”，“负面影响”，“抑郁”，“回避依恋”和“焦虑依恋”。

乔尔说：“特定于关系的变量的预测性是个体差异的两倍至三倍，我认为这符合许多人的直觉。” “但是令人惊讶的是，一旦掌握了所有特定于关系的数据，个人差异就会淡出背景。”

用建模模拟的术语来说，个体差异似乎并不能调节或缓和特定于关系的变量。

伊斯特威克说：“一旦我知道'当我和你在一起时我是谁，'我是谁'就没什么大不了了。”

乔尔(Joel)表示，她感到惊讶的是，这项研究表明，一个伴侣的个体差异预测因子(例如生活满意度，沮丧或愉快程度)仅说明了另一伴侣的关系满意度方差的5%。

乔尔说：“换句话说，伴侣对自己的自我陈述的特征并不能很好地说明人际关系的满意度。”

但是，这并不一定意味着一个人选择浪漫伴侣并不重要。

乔尔补充说：“合作伙伴可能有助于塑造特定于关系的过程，例如冲突，亲密关系和感知到的合作伙伴承诺，这对于保持关系至关重要。”

这种大规模的机器学习方法为关系科学领域的进一步研究提供了有价值的模型。