TOP 5 TINDER HACKS! BLACKBOXING ALGORITHMS IN THE DATING APP INDUSTRY
Notice bibliographique
Résumé
Tinder’s swipe feature operates algorithms that have influenced a new generation of dating apps. In this paper, we argue that the mystique surrounding Tinder’s algorithms is as productive for the dating app industry as the actual technical operations they perform. We seek to understand how actors in the dating industry construct matchmaking algorithms as strategic unknowns that can be harnessed to reach commercial objectives. To do so, we mobilize the notion of ‘algorithmic blackboxing’ – how actors strategically construct algorithms as black boxes to reach certain goals – to analyze a corpus of 48 online dating guides that offer ‘best advice’ to exploit Tinder’s matchmaking algorithms. Our analysis shows that dating guides overwhelmingly construct Tinder’s algorithms as black boxes whose secrets must be unlocked for users to generate matches and, therefore, find love. The alleged unintelligibility and opacity of Tinder’s algorithms allow self-proclaimed ‘dating experts’ to sell their advice or services in the context of a speculative dating economy. To obtain more matches, dating guides promote a common injunction: to hack Tinder. They invite users to modulate their behaviors and practices to become more algorithmically recognizable. Dating guides also readily invoke rhetorical arguments that draw on statistical data produced by Tinder, which highlights the emergence of new ‘regimes of truth’ within the matchmaking industry that enact a dataist ideology. We conclude by advocating for the importance of critically examining the increasing algorithmic mediation of dating cultures at the intersection of Internet, gender, and sexuality studies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».