北大学者Nature Neuroscience发文揭示人脑分布式社会学习神经计算机制

　　 2023年2月16日，北京大学心理与认知科学学院、IDG麦戈文脑科学研究所朱露莎课题组在《 Nature Neuroscience》在线发表了题为“ Neurocomputational mechanism of real-time distributed learning on social networks ”的研究论文，结合脑成像、社会网络分析、强化学习等多学科研究方法， 首次揭示了人类大脑整合社会网络上传递的信息以进行决策的神经计算过程

　　

 

社会动物身处复杂交错的社会连接中（如血缘、社交或工作关系产生的连接）。 这些连接决定了我们和谁互动，从谁那里获取信息，以及获得什么信息，从而深刻地影响着我们的思想和行为。 基于图论等数学工具，这些连接被抽象和量化为“社会网络”，用以刻画群体关系的拓扑结构 ¹ 。 近20年来，“社会网络分析”取得了举世瞩目的成绩，揭示了网络结构对政治、经济、文化、公共卫生等方面群体行为的重要影响。 然而，这些研究大都聚焦在宏观和群体层面，迄今为止，我们尚不清楚在个体层面人脑怎样和复杂联通的社会环境打交道： 大脑怎么整合社会网络中不同来源的信息？网络结构是否影响大脑这一处理过程？人与人之间决策的区别是否可以被他们在社会网络中位置的不同解释？以及，虚假新闻盛行、从众、信息茧房等当今世界重要的群体性行为偏差，又是否根源于人脑在社会网络中处理信息的方式和机制？

这些问题对社会和决策神经科学领域提出了 理论和实验上的挑战。在理论上，需要克服高维复杂的网络决策环境固有的“维度的诅咒” ²，发展出计算上可行、兼备神经生物学效度的数学描述，并予以检验。在实验上，需要突破过往社会和决策神经科学领域中极度简化的行为学实验范式的桎梏，建立更具生态效度、易操作、能从小规模实验室环境拓展到更大规模、乃至真实社会网络的实验方法。

2023年2月16日，北京大学心理与认知科学学院、IDG麦戈文脑科学研究所朱露莎课题组在《 Nature Neuroscience》在线发表了题为“ Neurocomputational mechanism of real-time distributed learning on social networks ”的研究论文，结合脑成像、社会网络分析、强化学习等多学科研究方法， 首次揭示了人类大脑整合社会网络上传递的信息以进行决策的神经计算过程。稍后，该杂志将发表专文介绍和评价该论文（《The human brain biases integration of information passing through social networks》）。其中，UCLA的Carolyn Parkinson教授评价：“ 该论文充满野心和创造力，探索了一系列重要且意义深远的实证问题 （ This ambitious and creative paper addresses an important and consequential set of empirical questions…）”。《 Nature Neuroscience》高级编辑Jean Mary Zarate博士评价：“ 作者对社会网络中学习的建模将引领未来对决策过程中社会影响的探索 （ The authors' model of learning in a social network will guide further explorations of social influence on decision making）”。三月，该论文将以 封面文章 的形式正式出版。

研究团队构造了许多小型社会网络，把实验参与者随机分配到这些网络的节点上。类似于微信，信息仅在相互连接的“好友”间传播，而对无连接的“非好友”不可见。参与者需要通过观察好友的行为来推断外部环境，选择合适的行为（就像通过观察朋友是看《流浪地球》还是《满江红》来选择自己要看的电影）。区别于以往研究，网络上的所有参与者通过局域网同时进行决策、实时传递决策、并在线观察好友做出的决策。利用fMRI，研究团队全程记录参与者处理每一条社会信息时的神经活动，并借助计算建模，解析大脑如何整合来自不同朋友的信息。

图1

这是一个“去中心化”或称“分布式”的社会环境。在传统的“中心化”决策中，决策者处理的是来自不同渠道、但相互独立的社会信息（类似于体操比赛中汇总不同裁判的打分；图1左）。该情景下，大脑可以像统计学家一样，准确高效地整合信息。然而，在“去中心化”的网络中，每个个体在影响他人的同时也受到他人的影响（图1右），信息沿着网络连接来回流动，不同节点传递的信息可能高度关联、重复冗余、有着不同且难以判断的信息量，使正确整合这些信息在计算和认知上非常困难。

图2

通过将具备良好神经生物学效度的强化学习和社会网络分析中经典的DeGroot学习 ³的思想相结合，研究者发现人脑采用了一个“偷懒”的策略来规避对网络信息高难度的处理，因而导致了偏向性的社会信息处理。一方面，如同在简单社会环境（中心化，非网络）中，人脑通过类似强化学习的算法，根据好友行为出乎意料的程度（预期误差）来更新对外部环境的判断。参与者的外侧前额叶（LPFC）等脑区表征了这一经典社会学习信号（图2B）。

另一方面则更有趣，与DeGroot学习的理念一致， 网络结构影响着人脑社会学习的过程。学习的“速率”由自己和朋友在网络中朋友的数目（节点的度中心度）决定：朋友的朋友越多，自己受这个朋友的影响就越大；同时我自己的朋友越多，受他人的影响就越小。在处理每一则社会信息时，决策者背侧前扣带皮层（dACC）等脑区灵活、定量、且特异性地编码了自己和传送该信息的朋友在网络中连接的相对数目，可能参与了对网络上强化学习速率的动态调节 （图2B）。这些结果暗示，通过dACC的调节，决策系统给那些更加“四通八达”的信息源施加更高的权重，低估甚至忽略可能掌握了部分真理的其他信息源，在理论和实验中，这种策略可能导致虚假信息的传播和错误共识的形成 （图2A）。

该研究首次探讨了社会互动关系的结构对人类决策在认知和神经层面的影响，将传统的社会学习和强化学习神经计算机制研究拓展到了更广阔、更具生态效度的决策环境中，也为包括虚假信息传播在内的重要社会现象提出了一个新颖的、认知神经层面的解释，并为研究复杂社会网络中个体决策的神经机制开辟了可拓展的实验和计算框架。

北京大学心理与认知科学学院已毕业博士生 江曜民为该论文第一作者，北大心理与认知科学学院、IDG麦戈文脑科学研究所及生命科学联合中心研究员 朱露莎为该文通讯作者，心理学院博士后 米青天参与了该工作。研究得到了国家自然科学基金委，科技部2030重大项目，中国博士后科学基金和北大-清华生命科学联合中心的资助。

参考文献

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).

原文链接

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

 

---

2023-02-17