Jealousy : a predictive and explainable model

Abstract

Resumo: O ciúme é uma resposta emocional complexa moldada por diferenças individuais nas estratégias de acasalamento, nas normas sociais e nos processos de autoavaliação. O presente estudo teve como objetivo predizer e explicar o ciúme por meio de uma abordagem de aprendizado de máquina combinada com valores SHAP, a fim de aumentar a interpretabilidade do modelo. Foi examinado um amplo conjunto de variáveis demográficas, psicológicas e relacionais, incluindo sociossexualidade, sexo, orientação sexual, religiosidade e autoestima. Os resultados indicaram que a sociossexualidade foi o preditor mais forte do ciúme, seguida pela heterossexualidade, religiosidade, autoestima e sexo. Interpretações evolutivas sugerem que o ciúme funciona como um mecanismo adaptativo de guarda do parceiro, moldado por trade-offs entre estratégias de acasalamento de curto e longo prazo e por riscos reprodutivos específicos de cada sexo. O maior nível de ciúme entre participantes heterossexuais parece ser impulsionado pela presença de consequências reprodutivas associadas a rivais do sexo oposto, enquanto a religiosidade esteve indiretamente associada a menores níveis de ciúme por meio de sua relação com atitudes sociossexuais mais restritas. Em contraste com grande parte da literatura existente, níveis mais elevados de autoestima estiveram associados a maior ciúme, achado que pode refletir o uso exclusivo de medidas de autoestima explícita e a influência de moderadores não mensurados. De modo geral, este estudo demonstra o valor de abordagens interpretáveis de aprendizado de máquina para integrar acurácia preditiva com teorias evolutivas e psicológicas, oferecendo novos insights sobre os determinantes do ciúme

Abstract: Jealousy is a complex emotional response shaped by individual differences in mating strategies, social norms, and selfevaluative processes. The present study aimed to predict and explain jealousy using a machine-learning framework combined with SHAP values to enhance model interpretability. A broad set of demographics, psychological, and relational variables was examined, including sociosexuality, sex, sexual orientation, religiosity, and self-esteem. Results indicated that sociosexuality was the strongest predictor of jealousy, followed by heterosexuality, religiosity, self-esteem, and sex. Evolutionary interpretations suggest that jealousy functions as an adaptive mate-guarding mechanism, shaped by tradeoffs between short-term and long-term mating strategies and by sex-specific reproductive risks. Higher jealousy among heterosexual participants appears to be driven by the presence of reproductive consequences associated with opposite-sex rivals, while religiosity was indirectly linked to lower jealousy through its association with more restricted sociosexual attitudes. Contrary to much of the existing literature, higher self-esteem was associated with greater jealousy, a finding that may reflect the exclusive use of explicit self-esteem measures and unmeasured moderating influences. Overall, this study demonstrates the value of interpretable machine-learning approaches for integrating predictive accuracy with evolutionary and psychological theory, offering new insights into the determinants of jealousy