Vajon l\u00e9tezik-e matematikai k\u00e9plet a szerelemre<\/b>? A v\u00e1lasz r\u00f6videbb v\u00e1ltozata: egyetlen, mindenkire \u00e9rv\u00e9nyes formula nincs. A hosszabb v\u00e1ltozat enn\u00e9l izgalmasabb: t\u00f6bb, egym\u00e1st kieg\u00e9sz\u00edt\u0151 matematikai modell l\u00e9tezik, amelyek a szerelem k\u00fcl\u00f6nb\u00f6z\u0151 aspektusait (p\u00e1ros\u00edt\u00e1s, interakci\u00f3s dinamika, d\u00f6nt\u00e9shozatal) k\u00e9pesek megragadni. Ezek nem romantikus m\u00edtoszok, hanem komoly, publik\u00e1lt kutat\u00e1sok \u00e9s algoritmusok. A gond az, hogy gyakran keverj\u00fck a c\u00e9lokat: m\u00e1st jelent stabil p\u00e1rokat<\/i> k\u00e9pezni, m\u00e1st jelent j\u00f3 p\u00e1rokat<\/i> tal\u00e1lni, \u00e9s megint m\u00e1st jelent a kapcsolat id\u0151beli alakul\u00e1s\u00e1t<\/i> el\u0151rejelezni. Sokan az univerz\u00e1lis megold\u00e1st keresik, mik\u00f6zben a szerelem t\u00f6bb alrendszer: biol\u00f3gia, t\u00e1rsadalom, pszich\u00e9, gazdas\u00e1gi d\u00f6nt\u00e9sek \u00e9s kommunik\u00e1ci\u00f3. Dajka G\u00e1bor \u00fczleti coach<\/b> szemsz\u00f6g\u00e9b\u0151l n\u00e9zve a k\u00e9rd\u00e9s hasonl\u00edt egy piac- \u00e9s term\u00e9killeszt\u00e9si probl\u00e9m\u00e1ra: fontosak a preferenci\u00e1k, a jelz\u00e9sek, a visszacsatol\u00e1sok \u00e9s az illeszked\u00e9s min\u0151s\u00e9ge. A matematikai \u201ek\u00e9plet\u201d akkor lesz hasznos, ha pontosan megmondjuk, mit optimaliz\u00e1ljon<\/i> (stabilit\u00e1s, el\u00e9gedetts\u00e9g, v\u00e1laszt\u00e1si es\u00e9ly, hossz\u00fa t\u00e1v\u00fa koh\u00e9zi\u00f3), \u00e9s ha tudjuk, hogy ezek kompromisszum\u00e1ban gondolkodunk. A cikk ez\u00e9rt nem \u00edg\u00e9r var\u00e1zstr\u00fckk\u00f6t, helyette rendet tesz a modellek k\u00f6z\u00f6tt, \u00e9s kijel\u00f6li, mire j\u00f3k, mire nem. A v\u00e9g\u00e9n pedig egy gyakorlati ellen\u0151rz\u0151list\u00e1t \u00e9s egy \u00f6sszehasonl\u00edt\u00f3 t\u00e1bl\u00e1zatot is kapsz \u2014 nem romantik\u00e1tlan\u00edt\u00e1sb\u00f3l, hanem az\u00e9rt, hogy az olvas\u00f3 a saj\u00e1t d\u00f6nt\u00e9seit jobb adatokkal hozhassa meg.<\/p>\nMit jelent a \u201ek\u00e9plet\u201d a szerelemben?<\/h2>\n
Fontos tiszt\u00e1zni a fogalmakat. A \u201ek\u00e9plet\u201d a h\u00e9tk\u00f6znapi besz\u00e9dben gyakran egyetlen var\u00e1zslatra utal, a tudom\u00e1nyban azonban modellek rendszer\u00e9t jel\u00f6li. A szerelem eset\u00e9ben h\u00e1rom nagy kateg\u00f3ri\u00e1t \u00e9rdemes megk\u00fcl\u00f6nb\u00f6ztetni. Az els\u0151 a p\u00e1ros\u00edt\u00e1si modellek<\/b>, amelyek azt \u00edrj\u00e1k le, hogyan lehet adott preferenci\u00e1k mellett stabil p\u00e1rokat l\u00e9trehozni (itt a stabilit\u00e1s azt jelenti, hogy nincs k\u00e9t ember, akik egym\u00e1st v\u00e1lasztan\u00e1k a jelenlegi p\u00e1rjuk helyett). A m\u00e1sodik a mikrodinamikai modellek<\/b>, amelyek a k\u00e9t ember k\u00f6z\u00f6tti interakci\u00f3latenci\u00e1kat, visszacsatol\u00e1sokat, \u00e9rzelmi \u201einercia\u201d \u00e9s k\u00fcsz\u00f6b\u00e9rt\u00e9kek hat\u00e1s\u00e1t \u00edrj\u00e1k le differencia- vagy differenci\u00e1legyenletekkel. A harmadik a statisztikai\/viselked\u00e9si modellek<\/b>, amelyek nagy mint\u00e1s adatok alapj\u00e1n jelzik, milyen tulajdons\u00e1gok \u00e9s helyzetek n\u00f6velik a k\u00f6lcs\u00f6n\u00f6s v\u00e1laszt\u00e1s es\u00e9ly\u00e9t (p\u00e9ld\u00e1ul gyorsrandis k\u00eds\u00e9rletekben vagy t\u00e1rskeres\u0151k\u00f6n). Mindh\u00e1rom m\u00e1s k\u00e9rd\u00e9sre v\u00e1laszol: a p\u00e1ros\u00edt\u00e1s optimaliz\u00e1ci\u00f3s feladat, a mikrodinamika id\u0151beli lefoly\u00e1st modellez, a statisztika pedig val\u00f3sz\u00edn\u0171s\u00e9geket becs\u00fcl. Ezeket a k\u00f6znyelv hajlamos \u00f6sszemosni, ez\u00e9rt sz\u00fcletnek t\u00falz\u00f3 \u00e1ll\u00edt\u00e1sok. Dajka G\u00e1bor tapasztalata szerint<\/i> hat\u00e9kony d\u00f6nt\u00e9seket akkor hozunk, ha el\u0151re kimondjuk: mi a c\u00e9lf\u00fcggv\u00e9ny? Stabil kapcsolat? Gyerekv\u00e1llal\u00e1si kompatibilit\u00e1s? Szenved\u00e9ly fenntart\u00e1sa? Mind k\u00fcl\u00f6n m\u00e9rt\u00e9kegys\u00e9gben m\u00e9rhet\u0151, \u00e9s egym\u00e1s rov\u00e1s\u00e1ra optimaliz\u00e1lhat\u00f3. A \u201ek\u00e9plet\u201d teh\u00e1t mindig probl\u00e9ma-specifikus; ha ezt nem mondjuk ki, a matematika f\u00e9lrevezet\u0151 ill\u00fazi\u00f3v\u00e1 v\u00e1lik.<\/p>\nGottman-egyenletek: mikrodinamika a kapcsolatban<\/h2>\n
A kapcsolat \u201ebels\u0151 fizik\u00e1j\u00e1t\u201d a legrendszeresebben John Gottman csoportja \u00edrta le. A kutat\u00f3k a p\u00e1rok interakci\u00f3it m\u00e1sodperces felbont\u00e1sban k\u00f3dolt\u00e1k, majd nemline\u00e1ris differenciaegyenletekkel<\/b> modellezt\u00e9k, hogyan hat egym\u00e1s hangulati \u00e1llapot\u00e1ra a k\u00e9t f\u00e9l. A l\u00e9nyeg: mindk\u00e9t partnernek van egy \u201emag\u00e1t\u00f3l\u201d be\u00e1ll\u00f3 hangulati szintje (steady state), ezt m\u00f3dos\u00edtja a m\u00e1sik pillanatnyi viselked\u00e9se egy befoly\u00e1sf\u00fcggv\u00e9nyen<\/i> kereszt\u00fcl. A modell param\u00e9terei k\u00f6zt tal\u00e1lunk \u201enegativit\u00e1si k\u00fcsz\u00f6b\u00f6t\u201d (mikor \u201ebillen \u00e1t\u201d a vita), \u00e9rzelmi inercia mutat\u00f3kat (milyen lassan t\u00e9r vissza a rendszer), \u00e9s \u00fagynevezett jav\u00edt\u00f3 impulzusokat<\/i> (repair), amelyek cs\u00f6kkentik a lezuhan\u00e1st. A matematikai forma itt nem dekor\u00e1ci\u00f3: a param\u00e9terek empirikusan becs\u00fclhet\u0151k, \u00e9s el\u0151rejeleznek<\/i> bizonyos kimeneteleket (p\u00e9ld\u00e1ul v\u00e1l\u00e1s vagy tart\u00f3s el\u00e9gedetlens\u00e9g kock\u00e1zata), amint azt a t\u00e9m\u00e1ban megjelent, lektor\u00e1lt publik\u00e1ci\u00f3 is jelzi. A gyakorlati tanuls\u00e1g: a kapcsolat nem stabil pont, hanem dinamikus rendszer, visszacsatol\u00e1sokkal<\/i>. Ha a negat\u00edv k\u00fcsz\u00f6b alacsony \u00e9s az inercia nagy, a rendszer gyorsan spir\u00e1lozik; ha a pozit\u00edv befoly\u00e1s \u00e9s a jav\u00edt\u00e1s hat\u00e9kony, a rendszer visszat\u00e9rhet a stabil, el\u00e9gedett \u00e1llapothoz. A f\u00e9lre\u00e9rt\u00e9s itt rendszerint az, hogy a modell nem \u201eszerelmi k\u00e9plet\u201d abban az \u00e9rtelemben, hogy megmondan\u00e1, ki kihez illik; sokkal ink\u00e1bb viselked\u00e9si h\u0151m\u00e9r\u0151<\/i> \u00e9s el\u0151rejelz\u0151 a m\u00e1r megl\u00e9v\u0151 interakci\u00f3 min\u0151s\u00e9g\u00e9r\u0151l. (Forr\u00e1s a szakasz \u00e1ll\u00edt\u00e1saihoz a cikk v\u00e9g\u00e9n.)<\/p>\nStabil h\u00e1zass\u00e1g probl\u00e9ma: p\u00e1ros\u00edt\u00e1s matematikai garanci\u00e1val<\/h2>\n
M\u00e1s t\u00edpus\u00fa \u201ek\u00e9plet\u201d a stabil p\u00e1ros\u00edt\u00e1s<\/b> probl\u00e9m\u00e1ja. A klasszikus Gale\u2013Shapley-algoritmus azt bizony\u00edtja, hogy b\u00e1rmilyen k\u00f6lcs\u00f6n\u00f6s, transzitiv preferencialista mellett l\u00e9tezik stabil p\u00e1ros\u00edt\u00e1s, \u00e9s azt egy halasztott elfogad\u00e1s<\/i> elj\u00e1r\u00e1ssal meg is tal\u00e1lhatjuk. Ez a modell nem \u00e9rzelmeket, hanem preferenci\u00e1kat<\/i> kezel; ereje, hogy stabilit\u00e1si garanci\u00e1t ad: ne legyen olyan k\u00e9t ember, akik k\u00f6lcs\u00f6n\u00f6sen egym\u00e1st prefer\u00e1ln\u00e1k a jelenlegi p\u00e1rjukn\u00e1l. A modern t\u00e1rskeres\u00e9s vil\u00e1g\u00e1ban a gond az, hogy a preferenci\u00e1k zajosak, id\u0151ben v\u00e1ltoznak, \u00e9s sokszor manipul\u00e1ltak (jelz\u00e9sek, profiloptimaliz\u00e1ci\u00f3, platform\u00f6szt\u00f6nz\u00e9s). Ennek ellen\u00e9re a gondolat hasznos: ha az \u00f6kosziszt\u00e9ma \u00fagy van fel\u00e9p\u00edtve, hogy cs\u00f6kkenti a \u201eblokkol\u00f3 p\u00e1rok\u201d val\u00f3sz\u00edn\u0171s\u00e9g\u00e9t, a rendszer eg\u00e9sz\u00e9ben kevesebb lesz a k\u00e9s\u0151bbi sz\u00e9tes\u00e9s. Dajka G\u00e1bor \u00fczleti szeml\u00e9lete<\/i> alapj\u00e1n ez olyan, mint egy k\u00e9toldal\u00fa piac: platformtervez\u00e9ssel lehet jobban vagy rosszabbul szervezni a tal\u00e1lkoz\u00e1sokat. A modell itt sem \u00edg\u00e9r szerelmet, csak stabilit\u00e1st; ez fontos k\u00fcl\u00f6nbs\u00e9g. Etikai vet\u00fclet: a \u201efi\u00fa- vagy l\u00e1ny-oldali optim\u00e1lis\u201d elj\u00e1r\u00e1sok elt\u00e9r\u0151 el\u0151ny\u00f6ket okoznak; hogy kinek kedvezzen a rendszer, az nem matematikai, hanem t\u00e1rsadalmi d\u00f6nt\u00e9s. A magyar val\u00f3s\u00e1gban ez k\u00fcl\u00f6n\u00f6sen \u00e9rdekes, mert a region\u00e1lis \u00e9s demogr\u00e1fiai aszimmetri\u00e1k (k\u00edn\u00e1lat\/kereslet) a platformokon is megjelennek. (Forr\u00e1s a szakasz v\u00e9g\u00e9n, ld. Forr\u00e1sok.)<\/p>\nMit mondanak a nagy mint\u00e1s adatok? (speed dating \u00e9s t\u00e1rsai)<\/h2>\n
A \u201ek\u00e9plet\u201d harmadik t\u00edpusa a statisztikai el\u0151rejelz\u00e9s<\/b>. A gyorsrandis k\u00eds\u00e9rletek kontroll\u00e1lt k\u00f6rnyezetben figyelik meg a k\u00f6lcs\u00f6n\u00f6s \u201eigen\u201d es\u00e9ly\u00e9t. Ezekb\u0151l k\u00e9t tanuls\u00e1g megb\u00edzhat\u00f3an visszat\u00e9r: (1) a v\u00e1laszt\u00e1s k\u00f6lcs\u00f6n\u00f6s<\/i> \u00e9s \u00f6sszef\u00fcgg\u0151<\/i> (amit az egyik f\u00e9l fontosnak mond, nem mindig predikt\u00edv; a viselked\u00e9s \u00e9s a jelz\u00e9sek jobban jeleznek), (2) csoportm\u00e9ret \u00e9s kontextus m\u00f3dos\u00edthatja a szelekci\u00f3t (p\u00e9ld\u00e1ul n\u0151i oldalon a k\u00edn\u00e1lat b\u0151v\u00fcl\u00e9se n\u00f6velheti a szelektivit\u00e1st). A gyorsrandikb\u00f3l nem k\u00f6vetkezik \u00e9letre sz\u00f3l\u00f3 boldogs\u00e1g, de j\u00f3 labor a kezdeti d\u00f6nt\u00e9sek<\/i> meg\u00e9rt\u00e9s\u00e9hez. A t\u00e1rskeres\u0151 platformok \u00e9s a g\u00e9pi tanul\u00e1s itt \u00e9p\u00edtenek az adatokra: el\u0151rejelzik a match<\/i> val\u00f3sz\u00edn\u0171s\u00e9g\u00e9t, az \u00fczenetv\u00e1lt\u00e1s es\u00e9ly\u00e9t, a tal\u00e1lkoz\u00f3 megval\u00f3sul\u00e1s\u00e1t. Dajka G\u00e1bor tapasztalata szerint<\/i> egy fontos menedzsment-anal\u00f3gia: a t\u00f6lcs\u00e9r minden szintj\u00e9t k\u00fcl\u00f6n kell optimaliz\u00e1lni, mert a konverzi\u00f3k nem automatikusan \u201ecsordog\u00e1lnak\u201d lefel\u00e9. A statisztikai modellek nem mondj\u00e1k meg, \u201ekit szeress\u201d, de seg\u00edtenek fegyelmezetten d\u00f6nteni: mikor m\u00f3dos\u00edts a strat\u00e9gi\u00e1don (id\u0151z\u00edt\u00e9s, fot\u00f3, bemutatkoz\u00e1s, offline aktivit\u00e1sok). A magyar kultur\u00e1lis k\u00f6zeg saj\u00e1toss\u00e1gaival ezek a modellek is csak akkor m\u0171k\u00f6dnek j\u00f3l, ha lok\u00e1lis adat<\/i> t\u00e1pl\u00e1lja \u0151ket; ellenkez\u0151 esetben import\u00e1lt torz\u00edt\u00e1sokkal dolgoznak. A l\u00e9nyeg: ez sem \u201ek\u00e9plet\u201d, hanem d\u00f6nt\u00e9st\u00e1mogat\u00e1s kock\u00e1zat- \u00e9s es\u00e9lysz\u00e1mokkal. (Forr\u00e1s a szakasz v\u00e9g\u00e9n, ld. Forr\u00e1sok.)<\/p>\nMit nem tud egy k\u00e9plet? (korl\u00e1tok \u00e9s f\u00e9lre\u00e9rt\u00e9sek)<\/h2>\n
H\u00e1rom korl\u00e1tot \u00e9rdemes kij\u00f3zan\u00edt\u00f3an kimondani. El\u0151sz\u00f6r<\/b>, a modellek \u00e1llapotf\u00fcgg\u0151k<\/i>: ami igaz egy konfliktushelyzetben (Gottman-egyenletek), nem felt\u00e9tlen igaz a megismerked\u00e9skor (speed dating), \u00e9s viszont. Azaz nincs olyan k\u00e9plet, ami a teljes kapcsolat\u00edvre egyszerre, pontosan \u00e9s stabilan \u00e9rv\u00e9nyes. M\u00e1sodszor<\/b>, a param\u00e9terek sokszor m\u00e9r\u00e9si konstrukci\u00f3k<\/i>: a \u201enegativit\u00e1si k\u00fcsz\u00f6b\u201d vagy a \u201epozit\u00edv\u2013negat\u00edv ar\u00e1ny\u201d operacionaliz\u00e1l\u00e1sa k\u00f3drendszer \u00e9s tr\u00e9ning k\u00e9rd\u00e9se. A replik\u00e1ci\u00f3 ilyenkor \u00e9rz\u00e9keny a m\u00f3dszerre. Harmadszor<\/b>, a kultur\u00e1lis \u00e9s gazdas\u00e1gi k\u00f6rnyezet exog\u00e9n sokkokat<\/i> okoz: j\u00e1rv\u00e1nyok, munkaer\u0151piaci bizonytalans\u00e1g, mobilit\u00e1si mint\u00e1k \u2013 mind torz\u00edtj\u00e1k a kapcsolatdinamik\u00e1t \u00e9s a p\u00e1ros\u00edt\u00e1si piacot. Ez\u00e9rt a \u201ek\u00e9plet\u201d legfeljebb ker\u00edt\u00e9s: kijel\u00f6li a mozg\u00e1steret, de nem veszi \u00e1t a cselekv\u00e9st. Dajka G\u00e1bor<\/i> v\u00e1llalkoz\u00f3i gyakorlat\u00e1b\u00f3l: ott m\u0171k\u00f6dik j\u00f3l a matematika, ahol a d\u00f6nt\u00e9shoz\u00f3 fegyelmezett, m\u00e9r, A\/B tesztel, \u00e9s hajland\u00f3 visszacsatol\u00e1s alapj\u00e1n m\u00f3dos\u00edtani. A szerelemben ez leford\u00edthat\u00f3 emp\u00e1ti\u00e1ra, proakt\u00edv jav\u00edt\u00e1sra \u00e9s a kompatibilit\u00e1sr\u00f3l folytatott \u0151szinte besz\u00e9lget\u00e9sre. Ahol \u201ek\u00e9pletet\u201d k\u00e9r\u00fcnk, gyakran felel\u0151ss\u00e9get szeretn\u00e9nk kiszervezni. A matematika viszont nem v\u00e1llal felel\u0151ss\u00e9get helyett\u00fcnk; \u00e1tl\u00e1that\u00f3s\u00e1got<\/i> ad, nem garanci\u00e1t.<\/p>\nGyakorlati ellen\u0151rz\u0151lista (d\u00f6nt\u00e9st\u00e1mogat\u00f3, nem romantikagyilkos)<\/h2>\n