💻 computer science

Two-sided receptivity to conversational AI agents in online dating: Bilingual survey data from Fledge.Love

Este artigo apresenta dois conjuntos de dados de pesquisas bilíngues de usuários da Fledge.Love que medem a receptividade a agentes conversacionais autônomos e o interesse em recursos de IA generativa em encontros online, fornecendo dados anonimizados e ferramentas de análise para apoiar a pesquisa sobre comunicação humano-IA e aceitação tecnológica transcultural.

Autores originais: Daria Leshchikova, Valentina V. Kuskova, Dmitry Zaytsev, Valerii Klimov

Publicado 2026-08-21

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Daria Leshchikova, Valentina V. Kuskova, Dmitry Zaytsev, Valerii Klimov

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Nos cantos silenciosos de nossas vidas digitais, um novo tipo de conversa começa a tomar forma. Durante anos, os encontros online dependeram de humanos digitando mensagens para outros humanos, mas uma nova onda de tecnologia está introduzindo a inteligência artificial na mistura. Estes não são apenas ferramentas inteligentes que sugerem uma maneira melhor de redigir uma frase; são agentes autônomos que podem falar em nome de uma pessoa, ou até mesmo conversar com outros agentes antes que um humano sequer veja a tela. Essa mudança levanta uma questão fundamental sobre como nos conectamos: queremos que uma máquina fale por nós e, mais importante, como nos sentimos quando percebemos que a pessoa com quem estamos conversando pode ser uma máquina? Compreender esses sentimentos é crucial porque a tecnologia está avançando mais rápido do que nossa compreensão sobre ela. Embora saibamos que as pessoas têm opiniões sobre o uso de tecnologia em geral, temos pouquíssimas evidências de como elas reagem ao ato específico e íntimo de delegar uma conversa a um computador, ou ao encontrar um do outro lado da linha.

Para responder a isso, pesquisadores lançaram um olhar detalhado sobre as atitudes de milhares de pessoas que utilizam uma plataforma de encontros chamada Fledge.Love. A equipe, trabalhando com os funcionários da plataforma, conduziu dois levantamentos separados para capturar o quadro completo desta realidade emergente. O primeiro levantamento perguntou a 2.617 usuários ativos, falando tanto inglês quanto russo, sobre seus sentimentos em relação a esses agentes autônomos. Os pesquisadores foram cuidadosos ao perguntar sobre dois papéis distintos: a pessoa que poderia contratar um agente para falar por ela e a pessoa que poderia receber uma mensagem de um agente. Essa distinção é vital porque uma pessoa pode amar a ideia de ter um robô ajudando-a a encontrar um par, mas sentir-se desconfortável ao descobrir que seu novo parceiro é, na verdade, um bot. O segundo levantamento, envolvendo 2.894 usuários, analisou o interesse em recursos passivos, como um IA que escreve um resumo de um perfil ou oferece dicas de conversa. Ao reunir esses dados diretamente das pessoas que estão vivenciando essas mudanças, os pesquisadores criaram um raro instantâneo de como usuários reais estão navegando na fronteira entre o humano e a máquina na busca pelo amor.

Os resultados revelam um cenário complexo de aceitação e hesitação. Quando se trata da ideia de implantar seu próprio agente para conversar com potenciais parceiros enquanto estiverem ausentes, muitos usuários expressaram interesse, com uma parte significativa dizendo que o tentariam ou já estavam considerando fazê-lo. No entanto, a reação ao encontrar um agente do outro lado foi mais mista. Enquanto alguns usuários disseram que se envolveriam em uma conversa com um agente, outros reagiram negativamente, afirmando que só queriam falar com uma pessoa real. Os dados mostraram que essas duas atitudes nem sempre se alinham; uma pessoa pode estar ansiosa para usar um agente para si mesma e, simultaneamente, sentir-se desconfortável se suspeitar que seu par está usando um. Os pesquisadores também descobriram que a forma como as pessoas se sentem em relação a esses agentes depende da situação específica. Por exemplo, os usuários foram mais abertos à ideia de dois agentes conversarem entre si antes de os humanos participarem, vendo isso como uma ideia engraçada ou até mesmo incrível, em comparação com a reação mais cética a um chat de grupo misto onde humanos e agentes interagem simultaneamente.

O estudo também descobriu como a linguagem molda essas visões. Os pesquisadores analisaram as respostas de falantes de inglês e russo e descobriram que, embora as tendências gerais fossem semelhantes, havia diferenças sutis na forma como perguntas específicas eram compreendidas e respondidas. Por exemplo, certas perguntas sobre encontrar um agente foram interpretadas de forma diferente dependendo do idioma, sugerindo que o contexto cultural desempenha um papel na forma como as pessoas percebem essas tecnologias. Os dados também incluem informações demográficas, como idade e tempo de plataforma, que estão disponíveis para análise posterior, embora o lançamento foque em preferências declaradas em vez de resultados comportamentais. É importante ressaltar que os pesquisadores garantiram a privacidade de todos os envolvidos. Eles removeram todas as informações de contato pessoal e comentários de texto livre, e ajustaram cuidadosamente os dados para que nenhum indivíduo pudesse ser identificado, garantindo que o lançamento fosse seguro para uso público, preservando ao mesmo tempo a riqueza das descobertas.

Além dos números, este trabalho fornece uma estrutura clara para compreender o futuro dos relacionamentos digitais. Os pesquisadores não apenas perguntaram se as pessoas gostavam de IA; eles decomporam a experiência em papéis e cenários específicos, mostrando que a aceitação não é uma decisão única de sim ou não, mas uma série de escolhas matizadas. Eles descobriram que, embora a tecnologia esteja pronta para ser implantada, o elemento humano de confiança e transparência continua sendo o fator decisivo. Os dados sugerem que, para que essas ferramentas sejam bem-sucedidas, as plataformas precisarão ser claras sobre quando um agente está envolvido e dar aos usuários controle sobre suas interações. Este lançamento de dados é mais do que apenas uma coleção de respostas de pesquisas; é um passo fundamental para qualquer pessoa que esteja construindo a próxima geração de aplicativos de encontros, projetando como falamos com máquinas ou estudando como aceitamos novas tecnologias em nossas vidas mais pessoais. Ao tornar estas informações públicas, os pesquisadores deram ao mundo a chance de ver exatamente onde estamos ao entrar em um futuro onde a linha entre a conversa humana e a de máquina torna-se cada vez mais tênue.

Resumo Técnico: Receptividade bilateral a agentes de IA conversacional em aplicativos de relacionamento online

Definição do Problema
A rápida integração de agentes conversacionais autônomos e de IA generativa em plataformas de relacionamento online superou a acumulação de evidências públicas sobre as atitudes dos usuários. Os instrumentos de pesquisa existentes geralmente medem a aceitação geral da IA ou a adoção abstrata de tecnologia, mas falham em capturar a estrutura específica da delegação de comunicação. Neste contexto, um único usuário ocupa dois papéis distintos simultaneamente: o papel de principal (implantar um agente para conversar em seu nome) e o papel de contraparte (encontrar um agente implantado por outro usuário). Os microdados públicos atuais não medem a receptividade a ambos os papéis dentro dos mesmos respondentes, e os dados de pesquisa de bases de usuários de plataformas de relacionamento são escassos devido a barreiras de acesso comercial.

Metodologia
Os autores liberam dois conjuntos de dados de pesquisa anonimizados coletados de usuários ativos da Fledge.Love, uma plataforma internacional de relacionamento. A coleta de dados envolveu prompts voluntários e autoadministrados dentro do aplicativo, sem incentivos.

Instrumento B (Receptividade ao Agente):
- Amostra: $N = 2.617$ usuários ativos (aplicado em novembro–dezembro de 2025).
- Design: Uma pesquisa bilíngue (russo e inglês) que mede a receptividade a agentes autônomos.
- Itens: Uma bateria de sete itens distinguindo os dois papéis:
  - Papel de Principal (Y1–Y3, Y7): Primeira reação ao conceito, atitude em relação à configuração do agente, disposição para implantar o próprio agente e valor geral do produto.
  - Papel de Contraparte (Y4–Y6): Disposição para interagir com o agente de outra pessoa, reação a pré-conversas entre agente e agente, e reação a chats de grupo mistos entre humanos e agentes.
- Covariáveis: Seis covariáveis ordinais (gênero, faixa etária, tempo de plataforma, volume de matches, taxa de conversão de conversa e sentimentos negativos sobre matches estagnados) e dois itens categóricos auxiliares sobre razões para conversas estagnadas e estratégias de enfrentamento.
- Anonimização: Um pipeline rigoroso foi aplicado antes da análise, incluindo a exclusão de campos de contato não lidos, remoção de texto livre, arredondamento de carimbos de data/hora para semanas ISO, embaralhamento da ordem das linhas e auditoria de $k$ -anonimato ( $k \ge 5$ ). Uma recodificação local foi aplicada para mesclar faixas etárias para mulheres de língua inglesa com 45+ anos para resolver uma violação de $k$ -anonimato.
Instrumento A (Interesse em Recursos Generativos):
- Amostra: $N = 2.894$ usuários ativos (aplicado em março–abril de 2026, apenas em russo).
- Design: Mede o interesse em três recursos de IA generativa passiva (resumo de perfil por IA, dicas de conversa por IA, descrição de casal por IA), um item de escolha forçada "o melhor de três", e demografia incluindo uso de IA autorrelatado.
- Nota: As amostras A e B não estão vinculadas.
Análise e Validação:
- Modelagem: Um modelo de resposta graduada (GRM) bidimensional foi ajustado aos sete itens de receptividade, estimando dimensões latentes para o papel de principal ( $\theta_{send}$ ) e o papel de contraparte ( $\theta_{recv}$ ).
- Pontuações Derivadas: Quantidades derivadas pelo modelo (pontuações Expected A Posteriori e propensões de endosso) foram computadas para 2.499 casos completos.
- Reprodutibilidade: O lançamento inclui notebooks Jupyter executáveis que regeneram todas as quantidades derivadas e saídas canônicas a partir dos dados liberados, com checksums SHA-256 para verificação.

Principais Resultados

Estrutura de Medição: Um modelo bidimensional ajusta-se significativamente melhor do que um modelo unidimensional ( $\Delta BIC = 51,8$ ), confirmando que a receptividade para implantar um agente e encontrar um são construtos distintos, porém altamente correlacionados (correlação $r = 0,92$ ).
Comparabilidade Cross-Linguística: Testes de funcionamento diferencial de itens (DIF) identificaram não-invariância em dois itens do papel de contraparte (Y4 e Y5) entre as formas em inglês e russo. Um modelo de parcial-invariância foi estabelecido ao liberar esses itens, permitindo pontuações comparáveis nos itens invariantes restantes.
Estabilidade: A estabilidade dos parâmetros foi confirmada via bootstrap não paramétrico de 200 réplicas, sem intervalos de confiança degenerados. A análise de classes latentes selecionou uma solução de quatro classes ( $K=4$ ) com alta entropia relativa (0,83), indicando uma estrutura populacional estável.
Coerência Preditiva: A validação cruzada demonstrou que a bateria compartilha um construto coerente; excluindo o item Y4, os itens e covariáveis restantes predisseram o endosso de Y4 com um AUC de 0,89, superando significativamente os classificadores de base.

Significância e Alegações
O artigo alega fornecer os primeiros microdados públicos que medem tanto o papel de principal quanto o de contraparte da receptividade à IA conversacional dentro dos mesmos respondentes. O lançamento posiciona-se para apoiar três comunidades de pesquisa específicas:

Comunicação Humano-IA: Oferecendo uma bateria de itens documentada que separa a receptividade do lado do emissor (send-side) da receptividade do lado do receptor (receive-side).
Sistemas de Recomendação: Fornecendo quantidades de receptividade de contraparte por usuário adequadas como alvos de modelagem ou benchmarks para recomendação agêntica e recíproca.
Aceitação de Tecnologia Cross-Cultural: Fornecendo um instrumento bilíngue com funcionamento diferencial de itens documentado para apoiar metodologia de tradução e invariância.

Adicionalmente, os autores observam a adequação do conjunto de dados como material de ensino para cursos de psicometria (teoria de resposta ao item, invariância de medida, análise de classe latente) devido à sua natureza completa e pequena, além da inclusão de um pipeline de estimativa completo com saídas conhecidas. Os autores declaram explicitamente as limitações: os dados representam preferências declaradas em vez de logs comportamentais, a amostra é limitada aos usuários ativos de uma única plataforma e as respostas de texto livre foram coletadas, mas não liberadas.

Mais como este