社會動物身處複雜交錯的社會連接中（如血緣、社交或工作關系産生的連接）。 這些連接決定了我們和誰互動，從誰那裡獲取信息，以及獲得什麼信息，從而深刻地影響着我們的思想和行為。 基于圖論等數學工具，這些連接被抽象和量化為“社會網絡”，用以刻畫群體關系的拓撲結構 ¹ 。 近20年來，“社會網絡分析”取得了舉世矚目的成績，揭示了網絡結構對政治、經濟、文化、公共衛生等方面群體行為的重要影響。 然而，這些研究大都聚焦在宏觀和群體層面，迄今為止，我們尚不清楚在個體層面人腦怎樣和複雜聯通的社會環境打交道： 大腦怎麼整合社會網絡中不同來源的信息？網絡結構是否影響大腦這一處理過程？人與人之間決策的區别是否可以被他們在社會網絡中位置的不同解釋？以及，虛假新聞盛行、從衆、信息繭房等當今世界重要的群體性行為偏差，又是否根源于人腦在社會網絡中處理信息的方式和機制？

這些問題對社會和決策神經科學領域提出了 理論和實驗上的挑戰。在理論上，需要克服高維複雜的網絡決策環境固有的“維度的詛咒” ²，發展出計算上可行、兼備神經生物學效度的數學描述，并予以檢驗。在實驗上，需要突破過往社會和決策神經科學領域中極度簡化的行為學實驗範式的桎梏，建立更具生态效度、易操作、能從小規模實驗室環境拓展到更大規模、乃至真實社會網絡的實驗方法。

2023年2月16日，beat365官方网站、IDG麥戈文腦科學研究所朱露莎課題組在《 Nature Neuroscience》在線發表了題為“ Neurocomputational mechanism of real-time distributed learning on social networks ”的研究論文，結合腦成像、社會網絡分析、強化學習等多學科研究方法， 首次揭示了人類大腦整合社會網絡上傳遞的信息以進行決策的神經計算過程。稍後，該雜志将發表專文介紹和評價該論文（《The human brain biases integration of information passing through social networks》）。其中，UCLA的Carolyn Parkinson教授評價：“ 該論文充滿野心和創造力，探索了一系列重要且意義深遠的實證問題 （ This ambitious and creative paper addresses an important and consequential set of empirical questions…）”。《 Nature Neuroscience》高級編輯Jean Mary Zarate博士評價：“ 作者對社會網絡中學習的建模将引領未來對決策過程中社會影響的探索 （ The authors' model of learning in a social network will guide further explorations of social influence on decision making）”。三月，該論文将以 封面文章 的形式正式出版。

研究團隊構造了許多小型社會網絡，把實驗參與者随機分配到這些網絡的節點上。類似于微信，信息僅在相互連接的“好友”間傳播，而對無連接的“非好友”不可見。參與者需要通過觀察好友的行為來推斷外部環境，選擇合适的行為（就像通過觀察朋友是看《流浪地球》還是《滿江紅》來選擇自己要看的電影）。區别于以往研究，網絡上的所有參與者通過局域網同時進行決策、實時傳遞決策、并在線觀察好友做出的決策。利用fMRI，研究團隊全程記錄參與者處理每一條社會信息時的神經活動，并借助計算建模，解析大腦如何整合來自不同朋友的信息。

圖1

這是一個“去中心化”或稱“分布式”的社會環境。在傳統的“中心化”決策中，決策者處理的是來自不同渠道、但相互獨立的社會信息（類似于體操比賽中彙總不同裁判的打分；圖1左）。該情景下，大腦可以像統計學家一樣，準确高效地整合信息。然而，在“去中心化”的網絡中，每個個體在影響他人的同時也受到他人的影響（圖1右），信息沿着網絡連接來回流動，不同節點傳遞的信息可能高度關聯、重複冗餘、有着不同且難以判斷的信息量，使正确整合這些信息在計算和認知上非常困難。

圖2

通過将具備良好神經生物學效度的強化學習和社會網絡分析中經典的DeGroot學習 ³的思想相結合，研究者發現人腦采用了一個“偷懶”的策略來規避對網絡信息高難度的處理，因而導緻了偏向性的社會信息處理。一方面，如同在簡單社會環境（中心化，非網絡）中，人腦通過類似強化學習的算法，根據好友行為出乎意料的程度（預期誤差）來更新對外部環境的判斷。參與者的外側前額葉（LPFC）等腦區表征了這一經典社會學習信号（圖2B）。

另一方面則更有趣，與DeGroot學習的理念一緻， 網絡結構影響着人腦社會學習的過程。學習的“速率”由自己和朋友在網絡中朋友的數目（節點的度中心度）決定：朋友的朋友越多，自己受這個朋友的影響就越大；同時我自己的朋友越多，受他人的影響就越小。在處理每一則社會信息時，決策者背側前扣帶皮層（dACC）等腦區靈活、定量、且特異性地編碼了自己和傳送該信息的朋友在網絡中連接的相對數目，可能參與了對網絡上強化學習速率的動态調節 （圖2B）。這些結果暗示，通過dACC的調節，決策系統給那些更加“四通八達”的信息源施加更高的權重，低估甚至忽略可能掌握了部分真理的其他信息源，在理論和實驗中，這種策略可能導緻虛假信息的傳播和錯誤共識的形成 （圖2A）。

該研究首次探讨了社會互動關系的結構對人類決策在認知和神經層面的影響，将傳統的社會學習和強化學習神經計算機制研究拓展到了更廣闊、更具生态效度的決策環境中，也為包括虛假信息傳播在内的重要社會現象提出了一個新穎的、認知神經層面的解釋，并為研究複雜社會網絡中個體決策的神經機制開辟了可拓展的實驗和計算框架。

beat365官方网站已畢業博士生 江曜民為該論文第一作者，北大beat365、IDG麥戈文腦科學研究所及生命科學聯合中心研究員 朱露莎為該文通訊作者，心理學院博士後 米青天參與了該工作。研究得到了國家自然科學基金委，科技部2030重大項目，中國博士後科學基金和北大-清華生命科學聯合中心的資助。

參考文獻

1. Borgatti, S., Mehra, A., Brass, D. & Labianca, G. Network Analysis in the Social Sciences. Science 323, 892 (2009).

2. Niv, Y. Learning task-state representations. Nat. Neurosci. 22, 1544–1553 (2019).

3. DeGroot, M. H. Reaching a consensus. J. Am. Stat. Assoc. 69, 118–121 (1974).

原文鍊接

https://www.nature.com/articles/s41593-023-01258-y

2023-02-17