Predicting Romantic Interest during Early Relationship Development: A Preregistered Investigation using Machine Learning
Notice bibliographique
Résumé
There are massive literatures on initial romantic attraction and established, “official” relationships. But there is a gap in our knowledge about early relationship development: the interstitial stretch of time in which people experience rising and falling romantic interest for partners who have the potential to—but often do not—become sexual or dating partners. In the current study, 208 single participants reported on 1,065 potential romantic partners across 7,179 data points over seven months. In stage 1 of the analyses, we used machine learning (specifically, Random Forests) to extract estimates of the extent to which different classes of predictors (e.g., individual differences vs. target-specific constructs) accounted for participants’ romantic interest in these potential partners (12% vs. 36%, respectively). Also, the machine learning analyses offered little support for perceiver × target moderation accounts of compatibility: the meta-theoretical perspective that some types of perceivers are likely to experience greater romantic interest for some types of targets. In stage 2, we used traditional multilevel-modeling approaches to depict growth-curve analyses for each predictor retained by the machine learning models; robust (positive) main effects emerged for many variables, including sociosexuality, gender, the potential partner’s positive attributes (e.g., attractive, exciting), attachment features (e.g., proximity seeking, separation distress), and perceived interest. We also directly tested (and found no support for) ideal partner preference-matching effects on romantic interest, which is one popular perceiver × target moderation account of compatibility. We close by discussing the need for new models and perspectives to explain how people assess romantic compatibility.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,048 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».