Nat Hum Behav | 改變大眾行為該先說(shuō)服誰(shuí)？采納閾值揭示社會(huì)網(wǎng)絡(luò)干預(yù)新路徑

認(rèn)知神經(jīng)科學(xué)前沿文獻(xiàn)分享

基本信息

Title:Integrating behavioural experimental findings into dynamical models to inform social change interventions

發(fā)表時(shí)間:2026-03-16

發(fā)表期刊:Nature Human Behaviour

影響因子:15.9

獲取原文:

1. 添加小助手:PSY-Brain-Frontier即可獲取PDF版本

研究背景

應(yīng)對(duì)氣候變化或公共衛(wèi)生危機(jī)等全球性挑戰(zhàn)，往往需要推動(dòng)社會(huì)大規(guī)模采納新的行為或產(chǎn)品。然而，現(xiàn)有的干預(yù)研究長(zhǎng)期存在微觀與宏觀的脫節(jié)：心理學(xué)與經(jīng)濟(jì)學(xué)側(cè)重于個(gè)體決策驅(qū)動(dòng)力，而復(fù)雜科學(xué)則聚焦于社會(huì)網(wǎng)絡(luò)中的集體擴(kuò)散，即復(fù)雜傳染理論（complex contagion theory）。這種脫節(jié)導(dǎo)致傳統(tǒng)的網(wǎng)絡(luò)干預(yù)往往依賴于尋找“中心節(jié)點(diǎn)”的播種策略（seeding policies），卻忽略了個(gè)體對(duì)社會(huì)信號(hào)的敏感度差異。如果不能準(zhǔn)確識(shí)別不同個(gè)體在何種社會(huì)壓力下會(huì)改變行為，即“采納閾值”（adoption thresholds），干預(yù)措施的效果往往難以達(dá)到預(yù)期。本研究旨在通過(guò)實(shí)驗(yàn)數(shù)據(jù)校準(zhǔn)動(dòng)態(tài)模型，打破學(xué)科壁壘，為大規(guī)模行為改變提供更精準(zhǔn)的實(shí)證路徑。

實(shí)驗(yàn)設(shè)計(jì)與方法邏輯

研究者提出了一種將微觀決策邏輯整合進(jìn)宏觀擴(kuò)散模型的新方法。其核心邏輯在于：個(gè)體的采納決策取決于產(chǎn)品本身的屬性效用與周?chē)巳簬?lái)的社會(huì)效用。當(dāng)社會(huì)信號(hào)達(dá)到一定水平，使采納的總效用超過(guò)維持現(xiàn)狀的效用時(shí)，該臨界點(diǎn)即為采納閾值。

為了測(cè)算這一閾值，研究者設(shè)計(jì)了兩項(xiàng)選擇實(shí)驗(yàn)（choice-based conjoint experiments, CBC）：一項(xiàng)涉及能源政策支持（policy support, PS），另一項(xiàng)涉及即時(shí)通訊應(yīng)用采納（app adoption, AA）。實(shí)驗(yàn)參與者需在不同屬性組合及不同社會(huì)信號(hào)水平（如周?chē)g人的采納比例）下做出選擇。研究利用分層貝葉斯（hierarchical Bayes, HB）算法分析數(shù)據(jù)，估算出每個(gè)個(gè)體的偏好權(quán)重和社會(huì)信號(hào)的邊際效用，從而直接計(jì)算出個(gè)體的采納閾值。隨后，研究者將這些實(shí)測(cè)閾值代入真實(shí)的社會(huì)網(wǎng)絡(luò)結(jié)構(gòu)中進(jìn)行代理人模擬，對(duì)比了基于網(wǎng)絡(luò)結(jié)構(gòu)的傳統(tǒng)策略與基于閾值信息的行為策略在推動(dòng)擴(kuò)散方面的效率。

核心發(fā)現(xiàn)

發(fā)現(xiàn)一：采納閾值可被準(zhǔn)確估算，且分布具有高度的情境依賴性

研究證實(shí)，僅利用微觀選擇實(shí)驗(yàn)數(shù)據(jù)即可準(zhǔn)確預(yù)測(cè)個(gè)體在未見(jiàn)任務(wù)中的采納決策。實(shí)驗(yàn)發(fā)現(xiàn)，不同領(lǐng)域的閾值分布截然不同：PS 的閾值呈現(xiàn)明顯的雙峰分布，存在大量不受社會(huì)信號(hào)影響的“獨(dú)立決策者”；而 AA 的閾值分布則較為均勻，包含更多易受他人影響的“易感人群”。這表明，將個(gè)體偏好納入傳染模型對(duì)于理解不同社會(huì)議題的擴(kuò)散至關(guān)重要。

Fig. 1 中，作者展示了不同任務(wù)下采納閾值的分布差異；這張圖對(duì)比了能源政策與 App 采納的不同模式，直觀呈現(xiàn)了個(gè)體對(duì)社會(huì)信號(hào)敏感度的多樣性

在模擬干預(yù)中，如果說(shuō)服一個(gè)節(jié)點(diǎn)的成本主要由其內(nèi)在抵抗力決定，傳統(tǒng)的網(wǎng)絡(luò)中心性策略（如尋找度中心性高的節(jié)點(diǎn)）往往不是最優(yōu)選。研究發(fā)現(xiàn)，基于估算閾值制定的“鄰域易感性”（neighbourhood susceptibility）策略顯著優(yōu)于其他方案。該策略通過(guò)鎖定那些周?chē)嬖诖罅康烷撝怠⒁资苡绊懭巳旱墓?jié)點(diǎn)，能夠以更低的成本啟動(dòng)大規(guī)模擴(kuò)散。

Fig. 2b 和 2c 展示了在偏好相關(guān)成本結(jié)構(gòu)下各策略的排名；圖中鄰域易感性策略的平均排名最高，證明了識(shí)別易感人群在降低干預(yù)成本方面的價(jià)值

在現(xiàn)實(shí)中，高影響力的網(wǎng)絡(luò)核心節(jié)點(diǎn)通常需要更高的干預(yù)成本。在這種情況下，結(jié)合了網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)與個(gè)體實(shí)測(cè)閾值的“校準(zhǔn)后的復(fù)雜中心性”（calibrated complex centrality, CC）策略表現(xiàn)最為突出。值得注意的是，如果不使用實(shí)驗(yàn)估算的真實(shí)閾值進(jìn)行校準(zhǔn)，未校準(zhǔn)的 CC 策略表現(xiàn)甚至可能不如隨機(jī)播種。這強(qiáng)調(diào)了行為實(shí)驗(yàn)數(shù)據(jù)在優(yōu)化網(wǎng)絡(luò)干預(yù)算法中的決定性作用。

Fig. 2d 和 2e 呈現(xiàn)了在中心性相關(guān)成本結(jié)構(gòu)下的模擬結(jié)果；圖中校準(zhǔn)后的 CC 策略顯著優(yōu)于傳統(tǒng)結(jié)構(gòu)策略，揭示了微觀數(shù)據(jù)對(duì)宏觀算法的修正作用

省流總結(jié)

這篇論文最重要的價(jià)值，是把“個(gè)體為什么采納”與“行為如何在網(wǎng)絡(luò)中擴(kuò)散”真正接通了。它證明了三件事。第一，個(gè)體采納閾值可以通過(guò)離散選擇實(shí)驗(yàn)估計(jì)出來(lái)，而且能預(yù)測(cè)樣本外選擇。第二，不同問(wèn)題情境的閾值分布差異很大，不能再把閾值當(dāng)作隨手設(shè)定的抽象參數(shù)。第三，播種策略沒(méi)有通用最優(yōu)解，但如果忽略個(gè)體閾值，很多基于網(wǎng)絡(luò)中心性的干預(yù)設(shè)計(jì)會(huì)失真；一旦把閾值校準(zhǔn)進(jìn)去，策略選擇才真正有依據(jù)。對(duì)實(shí)際應(yīng)用者來(lái)說(shuō)，這項(xiàng)研究的啟發(fā)很直接：不要只問(wèn)“誰(shuí)最有影響力”，還要問(wèn)“誰(shuí)最容易被帶動(dòng)、誰(shuí)周?chē)懈嗳菀妆粠?dòng)的人，以及你說(shuō)服這些人的成本到底由什么決定”。

分享人：天天

審核：PsyBrain 腦心前沿編輯部

你好，這里是「PsyBrain 腦心前沿」

專注追蹤全球認(rèn)知神經(jīng)科學(xué)的最尖端突破

視野直擊 Nature, Science, Cell 正刊 及核心子刊與頂級(jí)大刊

每日速遞「深度解讀」與「前沿快訊」

科研是一場(chǎng)探索未知的長(zhǎng)跑，但你無(wú)需獨(dú)行。歡迎加入PsyBrain 學(xué)術(shù)社群，和一群懂你的同行，共同丈量腦與心智的無(wú)垠前沿。

點(diǎn)擊卡片進(jìn)群，歡迎你的到來(lái)

一鍵關(guān)注，點(diǎn)亮星標(biāo) ? 前沿不走丟！

一鍵分享，讓更多人了解前沿