Wissenschaftliches Matching beim Online-Dating: Funktioniert das wirklich?
Mit KI erzeugtes Bild
„Wissenschaftliches Matching" ist das Verkaufsargument vieler Partnerbörsen. Aber können Algorithmen tatsächlich vorhersagen, wer zu wem passt? Wir haben die Forschung ausgewertet – und geben eine ehrliche, quellenbelegte Antwort.
Wie funktioniert algorithmisches Matching?
Das Grundprinzip ist bei den meisten Anbietern ähnlich: Nutzerinnen und Nutzer füllen einen strukturierten Persönlichkeits- oder Wertefragebogen aus. Daraus erstellt die Plattform ein Profil und berechnet für jeden möglichen Partner einen Kompatibilitäts-Score. Solche Systeme vergleichen typischerweise leicht messbare, bereits vor dem Kennenlernen erhebbare Merkmale wie Persönlichkeit, Einstellungen und Werte.
Was sagt die Forschung zur Wirksamkeit?
Die bislang umfassendste wissenschaftliche Analyse stammt von Finkel und Kollegen (2012) im Fachjournal Psychological Science in the Public Interest. Ihr Fazit ist deutlich: Es gibt kaum Belege dafür, dass diese Algorithmen vorhersagen können, ob zwei Menschen gut zueinander passen oder „Chemie" haben. Wörtlich heißt es, es gebe bis dato „keinen überzeugenden Beweis, dass irgendein Online-Dating-Matching-Algorithmus tatsächlich funktioniert".
Eine Meta-Analyse von Montoya und Kollegen (2008, 313 Studien) ergänzt das Bild: In bestehenden Beziehungen sagt die objektiv gemessene Ähnlichkeit die Anziehung kaum noch vorher – entscheidend ist die wahrgenommene Ähnlichkeit. Und eine Studie mit maschinellem Lernen (Joel, Eastwick & Finkel 2017) konnte zwar vorhersagen, wie begehrenswert eine Person generell wirkt, aber nicht die beziehungsspezifische „Chemie" zwischen zwei konkreten Menschen.
Ähnlichkeit oder Gegensätze – was zieht an?
Die Forschung spricht klar für Ähnlichkeit: Der sogenannte Similarity-Attraction-Effekt gilt als sehr robust und wirkt am stärksten bei Einstellungen, Werten und Aktivitätsvorlieben. Für das populäre „Gegensätze ziehen sich an" (Komplementarität) fanden Studien dagegen meist nur schwache, stark kontextabhängige Effekte.
Wo liegen die Grenzen der Algorithmen?
Der Kern des Problems: Algorithmen nutzen Merkmale, die sich vor dem Kennenlernen messen lassen. Die stärksten Vorhersagefaktoren für Beziehungserfolg – etwa der Umgang mit Konflikten und Stress oder die konkrete Kommunikationsdynamik – entstehen aber erst in der Interaktion und lassen sich vorab nicht erfassen.
So nutzt du Matching sinnvoll
- Score als Vorauswahl, nicht als Urteil: Behandle einen Kompatibilitäts-Wert als groben Filter, nicht als Erfolgsgarantie.
- Zügig ins echte Kennenlernen: Der belegte Nutzen von Online-Dating liegt im Zugang zu vielen Menschen und im schnellen persönlichen Kontakt – nicht im Algorithmus.
- Nicht zu viele Profile gleichzeitig: Wer endlos vergleicht, neigt dazu, Menschen zu „verobjektivieren" und sich schlechter festzulegen.
- Offen bleiben: Selbst angegebene Wunschkriterien sagen die reale Anziehung oft schlecht vorher.
Was ein Persönlichkeitstest überhaupt misst, erklären wir im Artikel Big Five: Die 5 Persönlichkeitsdimensionen einfach erklärt. Weitere Ratgeber findest du in unserem Magazin.
Häufige Fragen (FAQ)
Funktioniert wissenschaftliches Matching per Algorithmus wirklich?
Die bislang umfassendste Analyse (Finkel et al. 2012) fand keine überzeugenden Belege, dass Matching-Algorithmen vorhersagen können, ob zwei Menschen zueinander passen oder „Chemie" haben.
Ziehen sich Gegensätze an?
Die Forschung spricht klar für Ähnlichkeit, nicht für Gegensätze. Der Similarity-Attraction-Effekt ist robust, während Belege für Komplementarität als Attraktionsprinzip schwach und kontextabhängig sind.
Warum kann ein Algorithmus die „Chemie" nicht berechnen?
Weil die stärksten Erfolgsfaktoren – Interaktions- und Konfliktstil, die Dynamik zwischen zwei konkreten Personen – erst im echten Kontakt entstehen. Eine Machine-Learning-Studie (Joel et al. 2017) konnte genau diese Passung nicht vorhersagen.
Quellen
- Finkel, Eastwick, Karney, Reis & Sprecher (2012), „Online Dating: A Critical Analysis From the Perspective of Psychological Science", APS-Zusammenfassung: psychologicalscience.org
- Montoya, Horton & Kirchner (2008), Meta-Analyse zu tatsächlicher und wahrgenommener Ähnlichkeit: journals.sagepub.com
- Joel, Eastwick & Finkel (2017), „Is Romantic Desire Predictable? Machine Learning …": journals.sagepub.com