导语


数字时代和社交媒体的兴起极大拓展了人类社交网络的规模并彻底地改变了网络的结构。这种网络规模和结构上的变化加速了我们社会系统的改变，促进了不可控的集体行为（collective behavior）的产生，并带来了鲜为人知的功能性后果。2021年发表在 PNAS 上的一篇论文，表达了对这种变化的担忧。集体行为是理解群体的行为和属性如何从个体信息分享中涌现的一个框架。作者认为，关于集体行为方面知识上的差距是对科学进步、民主和应对全球危机行动的主要挑战，并呼吁对集体行为的研究必须像医学、自然保护和气候科学一样上升为一门“危机学科”，重点是为决策者和监管者提供可操作的洞察力，以管理社会系统。


研究领域：集体行为，计算社会科学，社交媒体，社交网络，复杂适应系统

Joseph B. Bak-Coleman et al. | 作者

刘志航 | 译者

梁金 | 审校

邓一雪 | 编辑


论文题目：

Stewardship of global collective behavior

论文链接：
https://doi.org/10.1073/pnas.2025764118

 

目录

摘要

引言

1、通信技术与全球集体行为

2、作为危机学科的集体行为

3、主要挑战和未来方向

总结





摘要




集体行为提供了一个框架，用来理解群体的行动和属性如何从个人及其分享信息的方式中涌现。在人类社会中，信息流最初由自然选择形成，但越来越多地被新兴的通信技术所结构化。我们更大、更复杂的社会网络现在以低成本在广阔的距离上传输高保真的信息。数字时代和社交媒体的兴起加速了我们社会系统的变化，其功能性后果却不为人所知。我们知识上的这一空白代表了对科学进步、民主和解决全球危机行动的主要挑战。我们认为，对集体行为的研究必须上升为一门“危机学科”（crisis discipline），就像医学、自然保护和气候科学一样，重点是为政策制定者和监管者提供可操作的见解，以管理社会系统。
 




引言




集体行为在历史上指的是，人类或动物群体在缺乏明确领导者的情况下表现出协调一致的行动[1-4]：从数十亿只绵延数百公里的蝗虫在前进时吞食植被，到鱼群面对捕食者的攻击像有生命的液体一样游动，再到我们充满活力的城市街道和建筑。所有这些系统的典型特征是，个体之间的社会互动涌现出更高层次组织的模式和结构，从庞大的流动群体的形成到具有劳动分工、社会规范、观点思想和价格动态的“社会系统”。
 
在过去的几十年里，“集体行为”已经从现象的描述发展成为理解集体行动产生机制的框架[3–7]。这个框架揭示了集体的大规模“高阶”属性如何影响个体行为，进而影响集体的行为。因此，考虑到个人之间在生理、动机、经验、目标和其他属性上的差异，集体行为侧重于研究个人如何影响他人和受他人影响的原因和后果。
 
多尺度互动和反馈是集体行为成为“复杂系统”的标志，包括我们的大脑、电网、金融市场和自然界[8, 9]。当受到干扰时，复杂系统往往表现出有限的韧性，紧随其后的是灾难性的、突然的、通常是不可逆的功能性变化[9, 10]。在范围更广的复杂系统研究中，强调了人类干扰（如技术进步、资源开采和人口增长）是系统风险的一个日益增加的来源。然而，关于人类技术和人口增长如何影响复杂系统的科学研究，主要集中在对自然界造成的威胁上[11-13]，对最近人类集体行为和决策的大规模变化的功能性后果的研究则要差得多。以前，我们是通过发声和手势进行交流以应对外部风险的小型狩猎采集群体。而现在，我们面临着从流行病到气候变化等复杂的全球性挑战，通过由智能手机和社交媒体等数字技术连接起来的分散网络进行交流。
 
随着生态学和社会学之间的联系越来越紧密，我们发现要避免中期（如冠状病毒）和长期（如气候变化、食品安全）的灾难将需要快速有效的集体行为反应。然而，人类社会的动态运行过程是否会产生这样的反应仍是未知的[14-17]。除了现存的生态和气候威胁，人类社会也给个人和集体福祉带来了其他挑战，比如拒绝接种疫苗、选举舞弊、疾病、暴力极端主义、饥荒、种族主义和战争。
 
我们社会制度的进化或技术变革都没有以促进全球可持续发展或提高生活质量为明确目标。在线社交媒体等新兴技术也不例外，我们社交网络的结构和信息流模式都是由旨在实现盈利最大化的工程决策所决定的。这些变化是剧烈的、不透明的、实际上是不受监管的，而且规模庞大。
 
这些变化造成的涌现功能性后果是未知的。我们缺乏回答科技公司及其监管者面临的最基本问题所需的科学框架。例如，一个推荐好友的特定算法，或者一个选择显示新闻条目的算法，是促进还是阻碍网上错误信息的传播？我们无法获得由理论驱动的和经验验证的文献来回答这样的问题。由于缺乏一个可行的前沿框架，在新冠疫情中，科技公司无法阻止虚假信息的传播，这阻碍了公众对防疫措施的接受，如口罩和广泛的检测[18]。
 
作为回应，监管机构和公众加倍呼吁改革我们的社交媒体生态系统，要求从增加透明度和用户控制到法律责任和公共所有权。基本的争论是一个古老的问题：大规模的集体行为过程是自我维持和自我纠正的，还是需要积极的管理和指导来促进可持续和公平的福祉[2, 19]？从历史上看，这些问题都是用哲学或规范的术语来解决的。在这里，我们基于对受干扰复杂系统的理解，认为如果没有循证政策和道德管理，人类社会动力学就不可能产生应对全球问题的解决方案或促进人类福祉的行动。
 
图1. 社交媒介网络
 
这种情况与保护生物学和气候科学面临的挑战类似，监管不足的行业在追逐利润的同时破坏了生态和地球系统的稳定性。在缺乏对系统底层动力学（如生态学和地球科学）的完整理解的情况下，这种行为产生了对基于证据的紧急政策的需求。这些特征使得 Michael Soulé 将保护生物学描述为生态学的“危机学科”（crisis discipline）——类似于医学和比较生理学之间的关系[20]。危机学科不同于其他紧急的、基于证据的研究领域，它们需要考虑整个复杂系统的退化——而没有对系统动力学的完整描述。我们认为，对人类集体行为的研究必须成为应对社会动力学变化的危机学科。
 
因为人类的集体行为是跨越时间、地理和组织尺度的过程的结果，解决新兴技术对全球行为的影响将需要跨学科的方法和众多学科科学家之间前所未有的合作。随着我们的社会越来越以数字形式实例化，曾经对社会过程的数学抽象，网络是一个突出的例子，已经成为日常生活中非常真实的一部分[21-23]。这些变化带来了新的挑战，也为测量和干预带来了机遇。社会科学内部或之外的学科可以接触到一些技术和思维方式，扩展我们理解和应对通信技术影响的能力。我们认为这种合作是迫切需要的。
 
在接下来的内容中，我们首先将人类的集体行为描述为一个由进化形成的复杂适应系统，这个系统很像自然世界，已经进入了一个严重改变并且可能不可持续的状态[14, 24, 25]。我们强调了通信技术如何重构人类社会网络，扩展、重组并将其耦合到技术系统中。借鉴复杂科学和相关领域的见解，我们讨论观察到的和潜在的后果。接下来，我们描述为何跨学科的方法是必要的、可操作的洞察社会系统的管理。最后，我们讨论一些关键的伦理、科学和政治挑战。
 



1. 通信技术与全球集体行为




学者们长期以来一直试图理解群体完成集体行动的机制[1, 2, 26]。从人类学、社会心理学、社会学、政治学、管理学、传播学、经济学、动物行为学和社会生物学，到计算机科学、统计物理学和新兴的计算社会科学领域[27-35]，这一现象已经在各种学科中得到研究。这些学科在很大程度上根据方法、组织规模以及是否研究当代智人社会的各个方面而有所区别。
 
在进化的微小时间尺度上，文化和技术进程改变了我们物种的生态[36]。这一时期发生的这些变化主要是为了解决家庭、城市和国家层面的问题；直到最近，文化产品才开始关注全球问题和福祉的解决方案。我们发现和衡量全球挑战的能力与我们开发和采用廉价可扩展通信技术的速度加快相一致。
 
然而，我们没有能力预测今天采用的技术将如何影响明天的全球信仰和行为模式。对社会系统的可靠预测是科学中最难以捉摸的挑战之一[37]。例如，美国等国家的选举涉及两个选项之间的离散决策，并提供了大量的民意调查数据，但其结果仍然难以预测[38]。预测和管理涌现行为的关键障碍是，社会互动和外部反馈使得很难（如果不是不可能的话）仅通过争论来推理跨尺度动力学（即这些是复杂适应系统）[25]。
 
科学家们以前遇到过这种问题。涌现行为的反直觉特性让20世纪早期的动物学家感到沮丧，他们不情愿地得出结论，像鸟群这样的动物群体必须利用心灵感应来同步它们和谐的短期行为[1]。为了超越这些异想天开的理论，研究人员找到了直接测量动物群体集体动力学的方法，并开发了基于完善的感官生理学和进化理论的方法[26, 39, 40]。这个文献体系已经编目了无数种方式，在这些方式中，集体功能性从自然选择中产生，塑造了支配群体成员的行为和相互作用的行为规则[41, 42]。这些研究强调，动物群体的非凡能力不是由超自然力量赋予的，而是通过集体行为适应生态环境而产生的[43, 44]。
 
集体动物行为是许多自然发生的复杂适应系统之一。在自然科学中，理解和应对人类活动对复杂系统的影响是科学研究的前沿。例如，在过去几十年里，人口增长、技术和过度开发已经对可持续性和生态系统生产力产生了不利影响，这一点已经变得很清楚了[11, 13, 14]。地球科学家对此的回应是将学科联系起来，开发一种应用方法，旨在为监管者提供有效的生态系统管理所需的信息。关于我们的心理健康和身体健康如何受到新的环境条件和物质的影响，脑科学和医学面临着类似的挑战。进化生物学将保护、医学、流行病学和农业联系起来，因为它们要应对快速变化的环境选择的影响[45]。
 
相比之下，我们对人类社会动力学的干扰的长期后果仍不清楚。例如，在气候变化的背景下，跨学科的强有力的论据表明，快速的行为变化可以带来可持续性的影响[16, 46, 47]。与此同时，我们不能说特定的通信技术会促进还是阻止必要的变化发生。更一般地说，我们缺乏预见通信技术对人类和生态系统健康和福祉的外部性的能力。下面，我们强调了最近社会系统的变化可能对社会动力学产生巨大且不可持续的影响的四种主要方式。借鉴各种学科的见解，我们描述了这些变化几乎肯定会产生大规模的功能性后果。总而言之，我们认为，在缺乏循证干预的情况下，全球社会网络不断变化的功能属性不太可能增进人类福祉或生态功能和稳定性。
 

1.1 人类社交网络规模的扩大


也许人类的社会网络与我们的祖先和动物群体最明显的不同就是规模。我们78亿人的全球社交网络（其中36亿人使用社交媒体）在宏观物种中是独特的。对我们庞大的人口规模和地理范围的一种解释是农业革命，在这场革命中，人类驯化了农作物和动物，为城市化铺平了道路[48-50]。
 
这些群体之间的联系形成了国家、民族以及全球社会和经济网络，现在除了少数几个孤立的群体之外，几乎囊括了所有群体[36, 51]。随着全球互联网连接和有效的机器翻译，甚至语言障碍也正在消失。文化产品、新闻和信息的传播可以远远超出它们的起源环境。我们的社会网络规模和结构以及制度的这些显著变化出现在12,000年的极短时间内，并且远在现代人类到来之后[48, 52]。
 
我们社会最近变化的速度在很大程度上阻止了自然选择的进化改变我们天生的行为和生理反应。我们个人和集体行为的固有方面很大程度上是早期生态学和社会学背景的遗迹。文化进化发生在更快的时间尺度上，并从根本上塑造了人类的集体行为[36, 51]。这一过程只是加速了，我们的集体行为现在发生在一个由通信技术（如社交媒体、电子邮件、电视）的最新创新所定义的环境中[53]。虽然制度和技术的想法可以追溯到个人，但它们的传播和形成都源于并改变集体和历史进程。
 
将集体行为系统的规模扩大八个数量级，肯定会产生功能性后果。不仅像我们这样规模的社会在自然界中是罕见的；在它们形成的地方，它们也经常是生态不稳定的[54]。这样的大型团体可能会面临许多挑战。资源稀缺，也许是由退化的土地或人口过剩造成的，会导致群体间或个体间的竞争和战争[55-57]。尽管有证据表明共享资源是可持续的，但要做到这一点是很困难的，尤其是在全球范围内[47]。
 
即使有足够的资源，群体规模的变化也会产生一系列功能性后果。统计物理学和观点动力学的研究表明，群体规模会影响集体决定的倾向[58, 59]。来自集体智能文献的工作表明，在复杂的环境中，中等是最佳的群体规模，并强调了在大群体中做出明智决策的困难[60, 61]。鼓励合作或协调的进化机制可能依赖于规模，并要求宗教和治理等机构随着群体规模的增加保持这些属性[36, 62-64]。对这些机构的异质采用可能会进一步产生冲突并侵蚀合作的空间[29, 65]。简而言之，规模的变化本身就有可能改变一个群体做出准确决策、获得明显多数以及合作的能力。
 

1.2 网络结构的变化


群体的行为特性不仅来自所涉及的个体的数量和特性（即社会网络的节点），还来自它们之间交互的结构和时间动态（即网络的连边）。换句话说，安排在不同网络中的相同个体可以表现出不同的涌现行为。尽管从狩猎采集者到城市居民的离线网络具有结构上的相似性[69]，但技术社交网络的连通性却截然不同[70]。
 
通信技术使人们能够更频繁地互动，并与地理上相距遥远的其他人互动。跨越很大网络距离的纽带（即长连边，long ties）会对疾病传播和信息流动产生深远的影响，包括虚假信息。对于简单的传染病，单一的相互作用可能导致传播，长连边可以增加传播[71, 72]。由长连边在线联系导致的简单传染的变化是最容易建模和推理的。例如，在线约会应用程序在性接触社交网络上添加长连边通常是故意的，因为它们试图联系陌生人。这有可能增加全社会疾病负担，即使对于那些不使用这些服务的人来说也是如此。

图2. 全球交通网络 | 图片来源：https://www.bdginternational.com/home-2/anthropogenic_planet/

 
信息的传播和随后的行为改变经常涉及到超越简单传染的过程[73]。虽然信息可能以类似于疾病的方式传播，但模型还必须考虑个人如何整合和调整行为，形成观点，并根据来自多个来源的信息体验情绪变化[74, 75]。在各学科中，已经开发了大量相互关联的信息和行为传播模型，包括复杂传染（计算社会科学）、从众（心理学、进化人类学）、多数规则（政治学、统计物理学）、使用和满足（交流）以及频率依赖学习（动物行为）[28, 76-82]。几乎所有这些模型都显示出对网络结构的强烈依赖。在许多公式中，网络密度的变化、聚集或有影响力的个体的存在决定了传播动力学。当群体采用某些新的通信技术时，这种变化是不可避免的。
 
在我们进化史的大部分时间里，智人个体可能与数百个其他人保持着有意义的社会联系，但数量往往要少得多[62, 69]。如今，在脸书、Instagram和Twitter等平台上与成千上万的其他人联系和分享信息变得很容易。电视、报纸和书籍等更传统的媒体形式使作者个人和内容创作者能够接触到比几千年前更多的人。高度联系的个人拥有巨大的影响力，他们的中心地位不太可能仅仅与成为高质量信息的生产者有关[83-86]。相反，他们的受欢迎程度可能是累积优势的结果，或者是唤起情绪反应的趋势[70, 87]。既得利益者利用新的通信技术传播错误信息，这部分解释了为什么气候反对者在非传统的数字媒体中出现得更多[88]。在决策依赖于关于世界的准确信息的情况下，这些过程可能破坏集群智慧或促进危险行为，如拒绝接种疫苗[89, 90]。
 
在更高的组织层次上，我们庞大的人口规模与通信技术相结合，产生了人类发展历史罕见的新型网络结构。这些结构的宏观特征，如强大的相互联系、长连边和影响的不平等，推动了许多积极的发展，如跨国和跨学科合作、科学思想的快速传播、公民直接参与科学和政治，以及克服因信仰和偏好而不适合当地社区的个人的孤立[3, 30]。
 
这些结构性特征也可能导致有害现象：回音室效应和两极分化、对政府的信任受到侵蚀、地方经济不稳定在世界范围内蔓延、地方选民决定的全球性后果、协调应对流行病的困难、由潜在东道国的不可靠信息驱动的移民等[70, 91, 92]。新型大规模结构会进一步影响信息流，改变信息传播的速度和准确性[30, 93–96]。最近的研究表明，网络结构效应可能导致“信息不公正划分”，从而导致不民主的结果，即大多数选民投票反对选民的利益[97]。这些例子只是结构影响集体功能的许多方式中的几个。
 

1.3 信息保真度与关联性


虽然全球社交网络的结构和规模发生了变化，但沿着其连边传播的信息也发生了变化。早期的人类交流主要是生物性的（如发声、手势、言语），相对较慢，而且天生嘈杂，使得信息在网络中传播时会发生变异和退化。实验和观察证据表明，这种自然衰减允许来自给定节点的影响与发起者相距大约三到四度的分隔[98, 99]。
 
虽然噪声、延迟和信息衰减在其他研究领域通常被认为是不必要的，但在集体系统中，它们可以发挥几个重要的功能。噪声可以破坏网络并促进合作[100]，促进关联性[101]，并通过类似于随机共振的现象来改善微弱信号的检测[102]。来自鱼群的证据表明，噪音和腐烂对防止假警报的传播很重要[39]。此外，快速的信息流可能会淹没认知过程，并产生不太准确的决策[103, 104]。通过高保真传输的多次迭代，通信技术允许推特和文章中的信息传播超出噪音较大的通信形式固有的三度或四度分隔[83]。虚假信息的复制品现在可以传播到社会的广大地区，而不会在此过程中发生衰减或事实核查的风险。在这个过程中增加噪声干扰已经成为减少网上虚假信息的最有希望的方法之一。
 
生产和传播信息的成本也越来越低，这消除了以前可能作为共享信息类型过滤器的障碍，并改变了传统信息看门人（如记者）的角色[106]。一方面，这可能使信息共享更加平等，并促进历史上被剥夺权利的群体的声音；另一方面，降低这种成本会减少产生高质量和准确信息的动力。在信任、网络结构或其他因素将公众人物与事实核查和传播虚假信息的后果隔离开来的情况下，这种情况会加剧[107-109]。类似地，在线匿名允许以最小的社会成本传播低质量的信息，并为机器人提供了将消息强行传送到网络上的掩护[110]。
 
随着信息造假的代价降低，个人和机构能够更好地从彻头彻尾的谎言中获得意识形态和政治利益[109]。社会或网络中反复暴露于虚假信息的部分可能会使其正常化，或者无法访问能够从虚构中区分出来的事实[107, 111, 112]。在涉及气候变化的否认、疫苗接种的拒绝、少数族裔待遇和和对转基因食品安全毫无根据的恐惧等问题时，去除可能有利于高质量信息的过滤器，再加上虚假信息的快速传播，可能会对人类福祉构成更大的威胁。
 
媒体技术的发展减少了在信息经济中将信息货币化的粒度。随着搜索引擎、聚合网站、社交媒体平台以及其它创新产品在最小的分辨率范围内创造了个人信息之间的直接竞争场所，基于订阅的模式正在消失。未经修饰的真相不再足以在吸引注意力的竞争中获胜[113]。这种竞争变得更加直接，因为基于点击的广告允许这些微单元直接和单独地货币化，导致纯错误信息的新市场出现并蓬勃发展[114]。
 
我们分享信息方式的创新也会产生质的影响，不仅会改变交流的速率、数量和保真度，还会从根本上改变最初可以存储的信息类型[115]。信息存储和共享方式的改变可以调整和定义权力关系。例如，从口述历史到书面历史的转变使得保存先进商业所必需的数字记录成为可能：债务可以被记录，税收可以被系统地提取，等等。印刷机的出现不仅让人们可以拥有的书籍变得民主化，也让个人可以写书变得民主化。互联网抓住了人类兴趣的长尾巴，让一小群爱好者找到彼此，并详细记录他们的激情。社交媒体的出现将过滤和筛选内容的权力从专业编辑转移到我们所有人身上，因为当我们与朋友分享信息时，我们以编辑的身份服务，从而决定他们看到什么[116]。随着技术的发展，我们无疑会看到其他模式的转变。能够在这种转变发生的同时，甚至在这种转变发生之前理解和预测其后果，必须是人类集体行为研究的一个关键焦点。
 

1.4 算法的反馈


廉价的数字计算降低了开发和实现算法的成本，并使它们成为我们日常生活的一个普遍要素。更具体地说，算法和人工智能被用于许多对社会有益的方面，从预测医疗保健需求和在潜在兼容的个人之间建立联系，到管理交通和促进金融和政策决策[117]。
 
然而，算法决策对个人和集体结果的影响成为人们日益关切的问题[118]。例如，旨在过滤、整理和显示大量在线信息的算法，加上人们寻求友好社会环境的倾向，可能会导致感知现实的偏见，并导致社会两极分化[119-122]。旨在促进雇佣、借贷、医疗保健、治安和刑事司法的算法可能会提供一种客观性的假象，同时强化人类偏见并创造进一步加剧不公正和不平等的反馈循环[123–125]。
 
设计用于推荐符合假定的个人偏好的信息和产品的算法可以产生失控的反馈，其中用户的信息偏好和随后对内容的接触随着时间变得更加极端[119, 126]。这种路径依赖可能会产生变革效应，改变用户自身的偏好和价值观，导致激进化[127, 128]。这可以通过基于朋友的偏好推荐内容的平台来加强[129]。初始受欢迎程度的微小波动会导致可见的差异，从而导致“富人越来越富”的马太效应[130]。例如，在一个经典的实验中，除了最好的和最差的歌曲之外，所有歌曲的受欢迎程度被证明与其他用户的随机早期的正面接收更相关，而不是与它们的内在质量相关[87]。
 
推荐具有相似信念的朋友的算法引入了更多的复杂性。例如，高关注度的Twitter用户往往比低关注度的用户获得更多的新关注者，特别是自Twitter在2010年开始推荐用户关注以来[131]。这种算法上的变化增加了用户之间关注者数量的不平等——以可能加剧错误信息传播的方式改变了整体网络结构[83]。
 
总之，我们正在把进化的信息搜寻过程依赖于算法。但这些算法通常是为了实现利润最大化而设计的，往往没有足够的激励来促进一个知情、公正、健康和可持续的社会。开发适当的科学或伦理监督和理解的努力仍处于起步阶段，许多算法的黑箱和专有性质减缓了这一进展[132]。因此，对每秒钟形成信息流的数百万个看似微小的算法决策如何改变我们的集体行为，我们知之甚少。
 



2. 作为危机学科的集体行为




人类面临全球性和生存威胁，包括气候变化、生态系统退化和核战争的威胁。我们同样面临着影响我们福祉的许多其他挑战，包括种族主义、疾病、饥荒和经济不平等。能否成功应对这些挑战，取决于我们在一个科技互联的现代世界中的全球社会动力学。考虑到我们的进化趋势以及技术和人口增长的影响，没有理由认为人类社会动力学如果不加以管理将是可持续的或有益于福祉的。
 
影响集体行为和行动的线上和线下力量是不可分割的[133]。然而，对我们共享信息方式的线下改变可能需要数年时间才能渗透到社区中，而数字世界中的改变可以在几秒钟内实现和实施。从这个意义上说，在线通信技术增加了管理的紧迫性，同时提供了大规模制定循证政策的机会。出于这些原因，我们预计社会系统的管理将需要更加关注数字技术。然而，我们警告说，线上和线下的动力学不能分开，仔细考虑两者对于确定成功的干预策略是必要的。
 
鉴于通信技术对行为模式的影响跨越了学科界限，需要一种跨学科的综合方法来管理我们的集体行为。在我们社会系统的复杂性、持续的人类苦难的幽灵和避免灾难的紧迫性之间，我们必须在缺乏完整模型或充分理解的情况下面对这些挑战[14, 134]。因此，人类集体行为领域必须加入其他危机学科的行列，如医学、保护生物学和气候科学[20]。
 
其他危机学科依靠观察、理论和经验方法的紧密结合而蓬勃发展。全球气候模型为实验室和野外的实验提供信息，也从实验中获得信息。描述疾病动力学的数学提出了医学中的治疗范例，这些范例可以被测试和验证[135]。生态模型提出了一些策略，如建立保护区和利用生态级联来管理恶化的生态系统[136]。因此，我们也可以采用类似的方法来研究通信技术产生的问题。
 
例如，信息如何传播的数据驱动模型可以为减少政治虚假信息或反疫苗宣传的策略提供参考，而无需人为审查。类似地，用推荐算法模拟人类互动可以提供对检测和阻止激进化的最佳实践的洞察。发展合理的数学理论需要整合依靠定性或混合方法研究在线行为的科学家的洞察力。特别是政治传播研究，长期以来一直描述网络传播技术的改变如何影响社会运动、制度政治和政治参与[133, 137]。

图3.  全球200多个致力于揭穿 COVID-19 错误信息的组织。| 来源：世界卫生组织组织关于信息流行病的介绍（https://www.who.int/health-topics/infodemic#tab=tab_3）

 
理解和管理人类集体行为的综合跨学科方法将是一个巨大的挑战，但也是必续要面对的挑战。鉴于算法和公司已经因为逐利原因改变了我们的全球行为模式，没有安全的不干涉的管理方法。下面，我们为人类集体行为的应用性、危机意识研究绘制了一个路线图。我们强调了这样做的一些核心挑战、需要紧急关注的问题以及必要的初步措施。
 
 



3. 主要挑战和未来方向




管理工作需要将我们对个人行为的理解与它在规模上的涌现后果结合起来。传统上，心理学、社会心理学和行为经济学等领域已经提供了对个体行为的丰富描述，但倾向于在最多只有几个相互作用的个体的实验环境中研究这种行为。相比之下，社会学、传播学、科学学、政治学和宏观经济学使用调查、人种学和观测数据来测量或描述发生在更大规模组织中的模式，这些数据可以抽象出潜在的动力学。
 
在过去几十年中，复杂科学已经开始定量地研究这些规模的组织，产生了一套理论工具和框架，用于理解相互联系的个体行为如何产生社会复杂性[24, 42, 138]。结合复杂系统的观点对于理解人类行为至关重要。对这些模型的严格实证检验仍然很少，这限制了它们在管理社会动力学方面的有效性。
 
计算社会科学领域采用的技术很好地弥补了集体行为过程的理论和测量之间的差距[141, 142]，同步在线实验允许对在社交网络上互动的个体进行详细和受控的研究[143]。这些实验可以使我们超越数学上方便但有限的基于主体的模型，并结合个体行为的丰富性和异质性[97]。管理集体过程需要理解个人动机及其涌现结果[144-146]。
 
从科学见解转变为可操作的见解还需要对法律、公共政策、系统风险和国际关系的理解。我们的社会系统与各种其他有形的复杂系统相连，包括经济、食品和药品供应链以及电网等公共设施。当大规模应用通信技术干预措施时，拟议的循证政策必须考虑该政策对其他系统的稳定性构成的风险。目前，人们很少这样谨慎行事。
 
我们不应该期望设计出一套单一的最佳做法，公平地解决人类面临的所有问题，通常，解决方案会关注特定的问题。即使在这些情况下，针对特定地区特定问题的拟议解决方案（例如，美国的疫苗误报）在其他地方可能影响有限，甚至有害。如同保护生物学和医学一样，社会系统的管理本质上涉及风险、权衡以及不一致的收益和成本[147]。对集体行为的科学研究也许能够提供对这些特征的描述，然而是否应该采纳这些特征的问题往往存在于人文学科和公共政策领域。
 
如果希望管理集体行为，我们需要找到快速的方法来交流研究，避免与同行评审相关的长时间延迟[148]，以将基础研究结果传输给那些负责在与不断发展的数字机构相称的时间范围内部署干预措施的人[149]。针对监管者和记者的白皮书在气候科学中很常见，最近在回应选举错误信息和交流新冠肺炎相关研究中发挥了重要作用[107, 150]。代替同行评审，多机构和跨学科的合作在出版前提供了一定程度的错误检查。出版后，社交媒体和其他渠道上的快速出版后同行审查可以取代较慢的正式机制。为了让非传统的科学交流方法取得成功，机构和大学必须找到将这些贡献纳入资助、雇佣和晋升决策的方法。
 
我们认为，对于任何研究或干预集体行为的人来说，无论是来自学术界还是来自社交媒体公司和其他科技公司，都迫切需要一个相当于希波克拉底宣言的东西。影响社会结构的决策不应该由个体利益相关者的声音来指导，而应该由诸如不伤害、仁慈、自主和公正等价值观来指导。由于价值观和需求因个人和文化背景而异，决策需要仔细考虑或特定背景的解决方案[151]。我们的方法必须进一步考虑对那些缺乏通信技术的人的影响，因为改善数字生活的干预措施可能会导致线下的不平等。例如，在线疫苗接种或选民登记项目可能会剥夺那些无法从中获益的群体的权利。如果没有一个全球性的规范性框架来决定什么是健康的社会或理想的社会技术互动，甚至很难就道德管理可能需要什么达成一致。制定考虑到受通信技术影响的各种文化观点、历史和传统的道德标准绝非易事。
 
提议的干预措施必须考虑对个人（如言论自由、自主）、非人类和环境的直接道德义务，以及对整个社会的更一般的义务（如限制疾病负担、建立食品安全）。相关科学将帮助我们描绘出各种技术创新和应用如何影响整个社会，以及社会的不同部分，如边缘化群体。有了这些信息，监管者和公众可以就如何以及是否继续进行做出道德和政治选择。这些决策应该尽可能基于经验，并且必须植根于需求、价值观和关注点。由于价值优先级可能会随着时间和文化背景的不同而不同，因此必须考虑解释这种可变性的实现。
 
由于大多数通信技术都是私有的，研究其影响的能力受到公司合作意愿的限制，更不用说制定基于证据的政策了。他们可能利用集体行为的洞察力来增加利润或者干脆拒绝行动。例如，有证据表明，一部分用户受到虚假信息以及情绪化和道德化内容的影响[70, 83, 152, 153]。从公司的角度来看，这些内容保留了提供经济价值的用户，删除这些内容可能在经济上不利，甚至不可行。这增加了一些商业模式可能与健康社会根本不相容的可能性[154]。在这种情况下，确定的干预措施可能不符合公司或喜欢它的用户的利益。我们预计这些情况尤其具有挑战性，需要向公众和监管机构提供大量的危害证据。如果公司在研究的生产、资助和交流方面有很大的影响力，那么提供这样的证据将会更加困难。总的来说，促进健康在线互动的有利可图的方法——如果存在的话——将更容易实施。数字空间中的持续危机已经产生了对管理的巨大动力和洞察力。虚假信息构成了严重的威胁，包括阴谋论的传播，拒绝推荐的公共卫生干预，颠覆民主进程，甚至种族灭绝[90, 107, 157, 158]。作为回应，传播学者采用了几十年前的宣传和大众传播理论来理解虚假信息和在线媒体操纵[154, 159, 160]。社会心理学家已经开发了“助推”来鼓励更多的在线内容分享[105]。通过社会科学家和计算机科学家之间的合作，我们对虚假信息的反应更加迅速。
 
除了虚假信息，理解黑箱模式的后果——引导人们违背其兴趣的用户界面设计——和不透明的算法现在是一个主要的研究课题。由于科技公司几乎完全缺乏透明度，描述和衡量是关键的第一步[162, 163]。尽管不透明，但研究已经揭示了算法如何将用户引向激进或不适合年龄的内容[128, 164]，加剧健康差距[123]，并增加警务的偏见[124]。不幸的是，错误信息、算法、黑箱模式和其他问题出现的速度远远超过了它们被充分描述的速度，更不用说解决了。
 
新通信技术带来的挑战将要求确定常见的问题类别和相关的解决办法。这是保护生物学中采用的方法，在这种方法中，在多种情况下观察到的危机（例如，生态系统崩溃、公共资源管理不善）会导致对多尺度动态的理解，从而产生适合给定社会学和生态学情况的解决方案[8, 47, 64]。虽然这是一个起点，但绝不是万灵药。
 
保护生物学和其他危机学科中提出的解决方案，无论多么优雅，都经常因为无法将可行的解决方案转化为大规模的行为改变而受阻。针对社会系统管理的聪明解决方案将面临类似的挑战。在这方面，社交媒体的影响力提供了风险和机遇的独特来源。对几行代码的更改会影响全局行为过程。无论有没有科学指导，这些变化都在持续。在缺乏基于证据的政策建议的情况下，我们不应该期望涌现后果是稳定的，甚至是有益的。集体行为为社会系统的管理提供了一个框架，不是通过取代其他领域，而是通过将不同的学科与共同的目标结合在一起。
 




总结




人类集体行为对当前人类和生态系统的福祉至关重要，并将为我们如何应对影响将持续数百年的全球性挑战奠定基础[14, 15, 64]。没有理由认为自然选择会赋予我们本质上有利于人类福祉或可持续性的动力。通信技术也是如此，它在很大程度上是为了解决个人或单个组织的需求而开发的。这一技术与人口增长相结合，创造了一个规模更大、密度更高、能够以更快速度传递高保真信息的全球社交网络。随着数字时代的兴起，这个社交网络越来越多地与算法相结合，产生了前所未有的反馈效应。
 
来自不同学科的见解表明，我们的社会网络过去和现在的变化将对组织的不同规模产生功能性影响。鉴于通信技术的影响将超越学科界限，科学的回应也必须如此。不安全地采用技术有可能威胁当前的福祉，并对可持续性产生持久的影响。减轻我们自己和子孙后代的风险需要对人类集体行为进行整合的、以危机为焦点的研究。
 
这种方法可以受益于其他领域的经验教训，包括气候变化和保护生物学，这些领域同样需要提供可操作的见解，而没有对底层动力学的完整理解。整合理论、描述和经验的方法对于弥合个体和大规模行为之间的差距是必要的。有理由相信，设计良好的系统可以促进大规模的健康集体行动，这已经在许多情况下得到证明，包括开源软件的开发、维基百科的管理和众包地图的制作[165, 166]。这些例子不仅证明了在线协作是有成效的，也强调了衡量和定义成功的方法。政治沟通研究表明，虽然在线运动和协调往往容易失败，但当它们成功时，结果可能是戏剧性的[137]。量化在线互动的好处，以及利用这些好处的局限性，是揭示促进或破坏通信技术价值的条件的必要步骤。
 
对人类集体行为的综合研究将仅限于提供对社会系统变化的后果和潜在解决方案的机械论见解。由社会系统管理引发的伦理问题，就像那些与生态系统相关的问题，将需要哲学、公共政策和人文学科的投入[147]。我们没有可行的不干涉的管理方法。科学家和监管者的不作为将把我们集体行为的控制权交给盈利性公司的少数个人。尽管存在科学和伦理方面的挑战，但当代和后代不作为的风险要求对集体行为进行管理。


参考文献

  1. E. Selous, Thought transference (or what?) in birds. Nature 129, 263 (1932).

  2. Aristotle, Politics (Batoche Books, 1999).

  3. M. Granovetter, The strength of weak ties. Am. J. Sociol. 78, 1360–1380 (1973).

  4. H. Blumer, Social problems as collective behavior. Soc. Probl. 18, 298–306 (1971).

  5. I. D. Couzin, J. Krause, Self-organization and collective behavior in vertebrates. Adv. Stud. Behav. 32, 1–75 (2003).

  6. T. Walker, D. Sesko, C. Wieman, Collective behavior of optically trapped neutral atoms. Phys. Rev. Lett. 64, 408–411 (1990).

  7. R. A. Bentley, M. J. O’Brien, Collective behaviour, uncertainty and environmental change. Phil. Trans. R. Soc. A. 373, 20140461 (2015).

  8. S. A. Levin, Ecosystems and the biosphere as complex adaptive systems. Ecosystems 1, 431–436 (1998).

  9. R. M. May, S. A. Levin, G. Sugihara, Complex systems: Ecology for bankers. Nature 451, 893–895 (2008).

  10. M. Scheffer et al., Anticipating critical transitions. Science 338, 344–348 (2012).

  11. P. J. Crutzen, W. Steffen, How long have we been in the Anthropocene era? Clim. Change 61, 251–257 (2003).

  12. W. Steffen, P. J. Crutzen, J. R. McNeill. The Anthropocene: Are humans now overwhelming the great forces of nature. Ambio 36, 614–621 (2007).

  13. A. D. Barnosky et al., Has the Earth’s sixth mass extinction already arrived? Nature 471, 51–57 (2011).

  14. W. Steffen et al., Trajectories of the earth system in the Anthropocene. Proc. Natl. Acad. Sci. U.S.A. 115, 8252–8259 (2018).

  15. S. Carattini, S. Levin, A. Tavoni, Cooperation in the climate commons. Rev. Environ. Econ. Pol. 13, 227–247 (2019).

  16. I. M. Otto et al., Social tipping dynamics for stabilizing Earth’s climate by 2050. Proc. Natl. Acad. Sci. U.S.A. 117, 2354–2365 (2020).

  17. J. J. Van Bavel et al., Using social and behavioural science to support COVID-19 pandemic response. Nat. Hum. Behav. 4, 460–471 (2020).

  18. J. Zarocostas, How to fight an infodemic. Lancet 395, 676 (2020).

  19. T. Hobbes, Leviathan (Penguin Books, Baltimore, MD, 1968).

  20. M. E. Soulé, What is conservation biology? Bioscience 35, 727–734 (1985).

  21. D. J. Watts, S. H. Strogatz, Collective dynamics of ‘small-world’ networks. Nature 393, 440–442 (1998).

  22. D. Brockmann, D. Helbing, The hidden geometry of complex, network-driven contagion phenomena. Science 342, 1337–1342 (2013).

  23. A. L. Barabási, R. Albert, Emergence of scaling in random networks. Science 286, 509–512 (1999).

  24. C. Schill et al., A more dynamic understanding of human behaviour for the Anthropocene. Nat. Sustain. 2, 1075–1082 (2019)

  25. .J. Holland, Complex adaptive systems. A New Era in Computation 121, 17–30 (1992).

  26. D. V. V. Radakov, Schooling in the Ecology of Fish (John Wiley & Sons, 1973).

  27. D. J. Watts, A twenty-first century science. Nature 445, 489 (2007).

  28. R. Boyd, P. J. Richerson, Culture and the Evolutionary Process (University of Chicago Press, 1985).

  29. C. Castellano, S. Fortunato, V. Loreto, Statistical physics of social dynamics. Rev. Mod. Phys. 81, 591 (2009).

  30. D. Centola, M. Macy, Complex contagions and the weakness of long ties. Am. J. Sociol. 113, 702–734 (2007).

  31. M. De Condorcet, Essay on the Application of Analysis to the Probability of Majority Decisions (Imprimerie Royale, Paris, France, 1785).

  32. L. Conradt, T. J. Roper, Group decision-making in animals. Nature 421, 155 (2003).

  33. R. E. Hertwig, U. E. Hoffrage, Simple Heuristics in a Social World (Oxford University Press, 2013).

  34. W. Hoppitt, K. N. Laland, Social Learning: An Introduction to Mechanisms, Methods, and Models (Princeton University Press, 2013).

  35. M. O. Jackson, Social and Economic Networks (Princeton University Press, 2010).

  36. J. Henrich, The Secret of Our Success (Princeton University Press, Princeton, NJ, 2017).

  37. J. M. Hofman, A. Sharma, D. J. Watts, Prediction and explanation in social systems. Science 355, 486–488 (2017).

  38. M. S. Lewis-Beck, M. Stegmaier, “Election forecasting, scientific approaches” in Encyclopedia of Social Network Analysis and Mining, R. Alhajj, J. Rokne, Eds. (Springer New York, New York, NY, 2016), pp. 1–8.

  39. S.  B. Rosenthal, C. R. Twomey, A. T. Hartnett, H. S. Wu, I. D. Couzin,  Revealing the hidden networks of interaction in mobile animal groups  allows prediction of complex behavioral contagion. Proc. Natl. Acad. Sci. U.S.A. 112, 201420068 (2015).

  40. A.  Strandburg-Peshkin, D. R. Farine, I. D. Couzin, M. C. Crofoot, Shared  decision-making drives collective movement in wild baboons. Science 348, 1358–1361 (2015).

  41. D. J. T. Sumpter, The principles of collective animal behaviour. Philos. Trans. R. Soc. Lond. Ser. B Biol. Sci. 361, 5–22 (2006).

  42. I. Couzin, Collective minds. Nature 445, 715 (2007).

  43. D. Sumpter, Collective Animal Behavior (Princeton University Press, Princeton, NJ, ed. 1, 2010), vol. 1.

  44. D. M. Gordon, The ecology of collective behavior in ants. Annu. Rev. Entomol. 64, 35–50 (2019).

  45. S. P. Carroll et al., Applying evolutionary biology to address global challenges. Science 346, 1245993 (2014).

  46. T. K. Rudel, Shocks, States, and Sustainability: The Origins of Radical Environmental Reforms – Oxford Scholarship (Oxford University Press, Oxford, UK, 2019).

  47. E. Ostrom, Governing the Commons: The Evolution of Institutions for Collective Action (Cambridge University Press, 2015).

  48. J.  T. Stock, Are humans still evolving? Technological advances and unique  biological characteristics allow us to adapt to environmental stress.  Has this stopped genetic evolution? EMBO Rep. 9 (suppl. 1, 51–54 (2008).

  49. P. Turchin, T. E. Currie, E. A. L. Turner, S. Gavrilets, War, space, and the evolution of Old World complex societies. Proc. Natl. Acad. Sci. U.S.A. 110, 16384–16389 (2013).

  50. H. J. Zahid, E. Robinson, R. L. Kelly, Agriculture, population growth, and statistical analysis of the radiocarbon record. Proc. Natl. Acad. Sci. U.S.A. 113, 931–935 (2016).

  51. J. Henrich, The WEIRDest People in the World: How the West Became Psychologically Peculiar and Particularly Prosperous (Farrar, Straus and Giroux, New York, NY, 2020), vol. 1.

  52. K. Sterelny, From hominins to humans: How sapiens became behaviourally modern. Philos. Trans. R. Soc. Lond. Ser. B Biol. Sci. 366, 809–822 (2011).

  53. P.  J. Boczkowski, The mutual shaping of technology and society in videotex  newspapers: Beyond the diffusion and social shaping perspectives. Inf. Soc. 20, 255–267 (2004).

  54. M. W. Moffett, Supercolonies of billions in an invasive ant: What is a society? Behav. Ecol. 23, 925–933 (2012).

  55. J. L. Brown, Optimal group size in territorial animals. J. Theor. Biol. 95, 793–810 (1982).

  56. G. Hardin, The Tragedy of the Commons. Science 162, 1243–1248 (1968).

  57. C. R. Ember, M. Ember, Resource unpredictability, mistrust, and war. J. Conflict Resolut. 36, 242–262 (1992).

  58. S. Galam, Contrarian deterministic effects on opinion dynamics: “The hung elections scenario.” Phys. Stat. Mech. Appl. 333, 453–460 (2004).

  59. S. Gekle, L. Peliti, S. Galam, Opinion dynamics in a three-choice system. Euro. Phys. J. B 45, 569–575 (2005).

  60. A. B. Kao, I. D. Couzin, Decision accuracy in complex environments is often maximized by small group sizes. Proc. Biol. Sci. 281, 20133305 (2014).

  61. M.  Galesic, D. Barkoczi, K. Katsikopoulos, Smaller crowds outperform  larger crowds and individuals in realistic task conditions. Decision 5, 1–15 (2018).

  62. R. I. M. Dunbar, Neocortex size as a constraint on group size in primates. J. Hum. Evol. 22, 469–493 (1992).

  63. A. R. Tilman, A. K. Dixit, S. A. Levin, Localized prosocial preferences, public goods, and common-pool resources. Proc. Natl. Acad. Sci. U.S.A. 116, 5305–5310 (2019).

  64. W.  Barfuss, J. F. Donges, V. V. Vasconcelos, J. Kurths, S. A. Levin,  Caring for the future can turn tragedy into comedy for long-term  collective action under risk of collapse. Proc. Natl. Acad. Sci. U.S.A. 117, 12915–12922 (2020).

  65. M. Casari, C. Tagliapietra, Group size in social-ecological systems. Proc. Natl. Acad. Sci. U.S.A. 115, 2728–2733 (2018).

  66. D. Lazer, A. Friedman, The network structure of exploration and exploitation. Adm. Sci. Q. 52, 667–694 (2007).

  67. T. N. Wisdom, X. Song, R. L. Goldstone, Social learning strategies in networked groups. Cognit. Sci. 37, 1383–1425 (2013).

  68. D. Barkoczi, M. Galesic, Social learning strategies modify the effect of network structure on group performance. Nat. Commun. 7, 13109 (2016).

  69. C. L. Apicella, F. W. Marlowe, J. H. Fowler, N. A. Christakis, Social networks and cooperation in hunter-gatherers. Nature 481, 497–501 (2012).

  70. W. J. Brady et al., Emotion shapes the diffusion of moralized content in social networks. Proc. Natl. Acad. Sci. U.S.A. 114, 7313–7318 (2017).

  71. J. Chan, A. Ghose, Internet’s dirty secret: Assessing the impact of online intermediaries on HIV transmission. MIS Quarterly, 38, 955–976 (2012).

  72. J.  J. Lehmiller, M. Ioerger, Social networking smartphone applications and  sexual health outcomes among men who have sex with men. PloS One 9, e86603 (2014).

  73. W.  J. Brady, M. J. Crockett, J. J. Van Bavel, The MAD Model of Moral  Contagion: The role of motivation, attention and design in the spread of  moralized content. Perspect. Psychol. Sci. 15, 978–1010 (2020).

  74. M. Kimura, K. Saito, “Tractable models for information diffusion in social networks” in Lecture  Notes in Computer Science (Including Subseries Lecture Notes in  Artificial Intelligence and Lecture Notes in Bioinformatics), J. Furnkranz, Ed. (Springer-Verlag, 2006), vol. 4213, pp. 259–271.

  75. E. Bakshy, I. Rosenn, C. Marlow, L. Adamic, “The role of social networks in information diffusion” in WWW’12 – Proceedings of the 21st Annual Conference on World Wide Web (ACM Press, New York, NY, 2012), pp. 519–528.

  76. D. Centola, An experimental study of homophily in the adoption of health behavior. Science 334, 1269–1273 (2011).

  77. S. E. Asch, Opinions and social pressure. Sci. Am. 193, 31–35 (1955).

  78. J. G. Heinberg, Theories of majority rule. Am. Polit. Sci. Rev. 26, 452–469 (1932).

  79. K. N. Laland, Social learning strategies. Anim. Learn. Behav. 32, 4–14 (2004).

  80. P. L. Krapivsky, S. Redner, Dynamics of majority rule in two-state interacting spin systems. Phys. Rev. Lett. 90, 238701 (2003).

  81. M. W. Feldman, L. L. Cavalli-Sforzatt, Cultural and biological evolutionary processes: Gene-culture disequilibrium. Proc. Natl. Acad. Sci. U.S.A. 81, 1604–1607 (1984).

  82. T. E. Ruggiero, Uses and gratifications theory in the 21st century. Mass Commun. Soc. 3, 3–37 (2000).

  83. S. Vosoughi, D. Roy, S. Aral, The spread of true and false news online. Science 359, 1146–1151 (2018).

  84. J. Becker, D. Brackbill, D. Centola, Network dynamics of social influence in the wisdom of crowds. Proc. Natl. Acad. Sci. U.S.A. 114, E5070–E5076 (2017).

  85. A. V. Banerjee, A. Chandrasekhar, E. Duflo, M. O. Jackson, Gossip: Identifying central individuals in a social network (2014). https://www.nber.org/papers/w20422. Accessed 10 June 2021.

  86. C. O’Connor, J. O. Weatherall, “Modeling how false beliefs spread” in The Routledge Handbook of Political Epistemology, M. Hannon, J. de Ridder, Eds. (Routledge, 2021), pp. 203–213.

  87. M. J. Salganik et al., Experimental study of inequality and unpredictability in an artificial cultural market. Science 311, 854–856 (2006).

  88. A.  M. Petersen, E. M. Vincent, A. L. R. Westerling, Discrepancy in  scientific authority and media visibility of climate change scientists  and contrarians. Nat. Commun. 10, 3966 (2019).

  89. A. Archer, A. Cawston, B. Matheson, M. Geuskens, Celebrity, democracy, and epistemic power. Perspect. Polit. 18, 1–16 (2019).

  90. K.  Koltai, Vaccine information seeking and sharing: HOW private Facebook  groups contributed to the anti-vaccine movement online. AoIR Selected Papers of Internet Research 10, AoIR2020 (2020).

  91. V. Narayanan et al., Polarization, partisanship and junk news consumption over social media in the US. arXiv [Preprint] (2018). https://arxiv.org/abs/1803.01845v1 (Accessed 10 June 2021).

  92. S. Guriev, N. I. Melkinov, E. Zhuravskaya, Knowledge is power: Mobile internet, government confidence, and populism. VOXEU CEPR (2019). https://voxeu.org/article/mobile-internet-government-confidence-and-populism. Accessed 10 June 2021.

  93. J. Pallavicini, B. Hallsson, K. Kappel, Polarization in groups of Bayesian agents. Synthese 198, 1–55 (2018).

  94. K. J. S. Zollman, Social network structure and the achievement of consensus. Polit. Philos. Econ. 11, 26–44 (2012).

  95. R. Hegselmann, U. Krause, Opinion dynamics and bounded confidence: Models, analysis and simulation. JASSS 5, 3/2 (2002).

  96. G. Deffuant, D. Neau, F. Amblard, G. Weisbuch, Mixing beliefs among interacting agents. Adv. Complex Syst. 03, 87–98 (2000).

  97. A. J. Stewart et al., Information gerrymandering and undemocratic decisions. Nature 573, 117–121 (2019).

  98. N. A. Christakis, J. H. Fowler, The spread of obesity in a large social network over 32 years. N. Engl. J. Med. 357, 370–379 (2007).

  99. M. Moussaïd, S. M. Herzog, J. E. Kämmer, R. Hertwig, Reach and speed of judgment propagation in the laboratory. Proc. Natl. Acad. Sci. U.S.A. 114, 4117–4122 (2017).

  100. H. Shirado, N. A. Christakis, Locally noisy autonomous agents improve global human coordination in network experiments. Nature 545, 370–374 (2017).

  101. C. A. Yates et al., Inherent noise can facilitate coherence in collective swarm motion. Proc. Natl. Acad. Sci. U.S.A. 106, 5464–5469 (2009).

  102. J.  F. Lindner, B. K. Meadows, W. L. Ditto, M. E. Inchiosa, A. R. Bulsara,  Array enhanced stochastic resonance and spatiotemporal synchronization. Phys. Rev. Lett. 75, 3–6 (1995).

  103. L. Chittka, P. Skorupski, N. E. Raine, Speed–accuracy tradeoffs in animal decision making. Trends Ecol. Evol. 24, 400–407 (2009).

  104. B.  Bago, D. G. Rand, G. Pennycook, Fake news, fast and slow: Deliberation  reduces belief in false (but not true) news headlines. J. Exp. Psychol. Gen. 149, 1608–1613 (2020).

  105. G. Pennycook et al., Shifting attention to accuracy can reduce misinformation online. Nature 592, 590–595 (2021).

  106. B. A. Williams, M. X. Delli Carpini, Monica and Bill all the time and everywhere. Am. Behav. Sci. 47, 1208–1230 (2004).

  107. Election  Integrity Partnership, “The long fuse: Misinformation and the 2020  election” (Tech. Rep., Center for an Informed Public, Digital Forensic  Research Lab, Graphika, & Stanford Internet Observatory, Stanford  Digital Repository, Stanford, CA 2021).

  108. W. L. Bennett, B. Pfetsch, Rethinking political communication in a time of disrupted public spheres. J. Commun. 68, 243–253 (2018).

  109. R.  M. Entman, N. Usher, Framing in a fractured democracy: Impacts of  digital technology on ideology, power and cascading network activation. J. Commun. 68, 298–308 (2018).

  110. T.  Marlow, S. Miller, J. T. Roberts. Bots and online climate discourses:  Twitter discourse on President Trump’s announcement of U.S. withdrawal  from the Paris Agreement. Clim. Pol.,2021).

  111. D. M. J. Lazer et al., The science of fake news. Science 359, 1094–1096 (2018).

  112. G. Pennycook, D. G. Rand, Research Note: Examining False Beliefs about Voter Fraud in the Wake of the 2020 Presidential Election (Harvard Kennedy School Misinformation Review, 2021).

  113. J. D. West, C. T. Bergstrom, Misinformation in and about science. Proc. Natl. Acad. Sci. U.S.A. 118, e1912444117 (2021).

  114. S. Subramanian, Inside the Macedonian fake-news complex. Wired, 15 February 2017. https://www.wired.com/2017/02/veles-macedonia-fake-news/. Accessed 16 June 2021.

  115. E. Szathmáry, J. M. Smith, The major evolutionary transitions. Nature 374, 227–232 (1995).

  116. C. Bergstrom, J. West, Calling Bullshit: The Art of Skepticism in a Data-Driven World (Random House, New York, NY, ed. 1, 2020).

  117. Z. R. Shi, C. Wang, F. Fang, Artificial intelligence for social good: A survey. arXiv [Preprint] (2020). https://arxiv.org/abs/2001.01818v1 (Accessed 10 June 2021).

  118. I. Rahwan, Society-in-the-loop: Programming the algorithmic social contract. Ethics Inf. Technol. 20, 5–14 (2018).

  119. T. T. Nguyen, P.-M. Hui, F. M. Harper, L. Terveen, J. A. Konstan, “Exploring the filter bubble” in Proceedings of the 23rd International Conference on World Wide Web – WWW ’14 (ACM Press, New York, NY, 2014), pp. 677–686.

  120. E. Bakshy, S. Messing, L. A. Adamic, Exposure to ideologically diverse news and opinion on Facebook. Science 348, 1130–1132 (2015).

  121. E. Bozdag, Bias in algorithmic filtering and personalization. Ethics Inf. Technol. 15, 209–227 (2013).

  122. B. Toff, R. K. Nielsen, “I just google it”: Folk theories of distributed discovery. J. Commun. 68, 636–657 (2018).

  123. Z.  Obermeyer, B. Powers, C. Vogeli, S. Mullainathan, Dissecting racial  bias in an algorithm used to manage the health of populations. Science 366, 447–453 (2019).

  124. K. Lum, W. Isaac, To predict and serve? Significance 13, 14–19 (2016).

  125. C. O’Neil, Weapons of Math Destruction: How Big Data Increases Inequality and Threatens Democracy (Random House, New York, NY, ed. 1, 2016), vol. 1.

  126. J. A. Evans, Electronic publication and the narrowing of science and scholarship. Science 321, 395–399 (2008).

  127. M. Alfano, J. A. Carter, M. Cheong, Technological seduction and self-radicalization. J. Am. Philos. Assoc. 4, 298–322 (2018).

  128. M. H. Ribeiro, R. Ottoni, R. West, V. A. F. Almeida, W. M. W. Meira, “Auditing radicalization pathways on YouTube” in Proceedings of the 2020 Conference on Fairness, Accountability, and Transparency (Association for Computing Machinery, Inc., New York, NY, 2020), vol. 11, pp. 131–141.

  129. S. Deng, L. Huang, G. Xu, X. Wu, Z. Wu, On deep learning for trust-aware recommendations in social networks. IEEE Trans. Neural Netw. Learn. Syst. 28, 1164–1177 (2017).

  130. R. K. Merton, The Matthew effect in science. Science 159, 55–63 (1968).

  131. J. Su, A. Sharma, S. Goel, “The effect of recommendations on network structure” in Proceedings of the 25th International Conference on World Wide Web – WWW ’16 (ACM Press, New York, NY, 2016). pp. 1157–1167.

  132. J. Stoyanovich, J. J. Van Bavel, T. V. West, The imperative of interpretable machines. Nat. Mach. Intel. 2, 197–199 (2020).

  133. B. Bimber, A. J. Flanagin, C. Stohl, Collective Action in Organizations: Interaction and Engagement in an Era of Technological Change (Cambridge University Press, 2012).

  134. J. Rockström et al., A roadmap for rapid decarbonization. Science 355, 1269–1271 (2017).

  135. R.  Birger, R. Kouyos, J. Dushoff, B. Grenfell, Modeling the effect of HIV  coinfection on clearance and sustained virologic response during  treatment for hepatitis C virus. Epidemics 12, 1–10 (2015).

  136. D. Fortin et al., Wolves influence elk movements: Behavior shapes a trophic cascade in Yellowstone National Park. Ecology 86, 1320–1330 (2005).

  137. H. Margetts, P. John, S. Hale, T. Yasseri, Political Turbulence (Princeton University Press, Princeton, NJ, ed. 1, 2016), vol. 1.

  138. N. Goldenfeld, L. P. Kadanoff, Simple lessons from complexity. Science 284, 87–89 (1999).

  139. J. H. Miller, S. E. Page, Complex Adaptive Systems (Princeton University Press, Princeton, NJ, 2007).

  140. J. Duffy, J. M. Epstein, R. Axtell, Growing artificial societies: Social science from the bottom up. South. Econ. J. 64, 791 (1998).

  141. D. J. Watts, “Computational social science: Exciting progress and future directions” in Frontiers of Engineering (National Academies Press, Washington, DC, 2013).

  142. D. M. J. Lazer et al., Computational social science: Obstacles and opportunities. Science 369, 1060–1062 (2020).

  143. N. Paton, A. Almaatouq, Empirica: Open-Source, Real-Time, Synchronous, Virtual Lab Framework (Zenodo, 2018).

  144. X. Chen, S. C. J. Sin, Y. L. Theng, C. S. Lee, “Why do social media users share misinformation?” in Proceedings of the ACM/IEEE Joint Conference on Digital Libraries (Institute of Electrical and Electronics Engineers Inc., New York, NY, 2015), vol. 2015, pp. 111–114.

  145. E. A. Rosa, O. Renn, A. M. McCright, The Risk Society Revisited: Social Theory and Risk Governance on JSTOR (Temple University Press, Philadelphia, PA, ed. 1, 2014).

  146. M. Schlüter et al., A framework for mapping and comparing behavioural theories in models of social-ecological systems. Ecol. Econ. 131, 21–35 (2017).

  147. F. S. Chapin et al., Ecosystem stewardship: Sustainability strategies for a rapidly changing planet. Trends Ecol. Evol. 25, 241–249 (2010).

  148. D. S. Himmelstein, K. Powell, Analysis for “the history of publishing delays” blog post v1.0 (2016). https://zenodo.org/record/45516#.YLld9japHlw. Accessed 1 February 2021.

  149. H. Else, How a torrent of COVID science changed research publishing – in seven charts. Nature 588, 553 (2020).

  150. National Academies, Societal experts action network. https://www.nationalacademies.org/our-work/societal-experts-action-network#sl-three-columns-d2bc460d-5bb3-41ce-991f-80e4dd0bdae8. Accessed 1 February 2021.

  151. S. H. Schwartz, An overview of the Schwartz theory of basic values. Online Read. Psychol. Culture 2, 1–20 (2012).

  152. G.  Pennycook, D. G. Rand, Who falls for fake news? The roles of bullshit  receptivity, overclaiming, familiarity, and analytic thinking. J. Pers., in press.

  153. J. J. Van Bavel, A. Pereira, The partisan brain: An identity-based model of political belief. Trends Cognit. Sci. 22, 213–224 (2018).

  154. Y. Benkler, R. Farris, H. Roberts, Network Propaganda (Oxford University Press, 2018), vol. 1.

  155. C. O’Connor, J. O. Weatherall, Scientific polarization. Eur. J. Phylos. Sci. 8, 855–875 (2018).

  156. N. Oreskes, E. M. Conway, Defeating the merchants of doubt. Nature 465, 686–687 (2010).

  157. J.  Whitten-Woodring, M. S. Kleinberg, A. Thawnghmung, M. T. Thitsar,  Poison if you don’t know how to use it: Facebook, democracy, and human  rights in Myanmar. Int. J. Press Politics 25, 407–425 (2020).

  158. N.  Velásquez et al., Online hate network spreads malicious COVID-19  content outside the control of individual social media platforms. In Review (2020). https://www.researchsquare.com/article/rs-110371/v1. Accessed 10 June 2021.

  159. B. Silverstein, Toward a science of propaganda. Polit. Psychol. 8, 49 (1987).

  160. J.  Donovan, B. Friedberg, “Source hacking media manipulation in practice  executive summary” (Tech. Rep., Data & Society, 2019).

  161. J. Kaiser et al., Mail-in voter fraud: Anatomy of a disinformation campaign. Berkman Klein Center (2020). https://cyber.harvard.edu/publication/2020/Mail-in-Voter-Fraud-Disinformation-2020. Accessed 10 June 2021.

  162. S. Baluja et al., “Video suggestion and discovery for you tube: Taking random walks through the view graph” in Proceeding of the 17th International Conference on World Wide Web 2008, WWW’08 (ACM Press, New York, NY, 2008), pp. 895–904.

  163. A. Mathur et al., “Dark patterns at scale: Findings from a crawl of 11K shopping websites.” in Proceedings of the ACM on Human-Computer Interaction (ACM, 2019), vol. 3.

  164. K.  Papadamou et al., “Disturbed Youtube for kids: Characterizing and  detecting inappropriate videos targeting young children” in Proceedings of the 14th International AAAI Conference on Web and Social Media, ICWSM 2020 (AAAI Press, Palo Alto, CA, 2020), pp. 522–533.

  165. A. Kittur, R. E. Kraut, “Harnessing the wisdom of crowds in Wikipedia: Quality through coordination” in Proceedings of the ACM Conference on Computer Supported Cooperative Work, CSCW (ACM Press, New York, NY, 2008), pp. 37–46.

  166. C. Prandi, P. Salomoni, S. Mirri, “Mpass: Integrating people sensing and crowdsourcing to map urban accessibility” in 2014 IEEE 11th Consumer Communications and Networking Conference, CCNC 2014 (IEEE Computer Society, 2014), pp. 591–595.



（参考文献可上下滑动查看）



计算社会科学读书会第二季


计算社会科学作为一个新兴交叉领域，越来越多地在应对新冠疫情、舆论传播、社会治理、城市发展、组织管理等社会问题和社科议题中发挥作用，大大丰富了我们对社会经济复杂系统的理解。相比于传统社会科学研究，计算社会科学广泛采用了计算范式和复杂系统视角，因而与计算机仿真、大数据、人工智能、统计物理等领域的前沿方法密切结合。为了进一步梳理计算社会科学中的各类模型方法，推动研究创新，集智俱乐部发起了计算社会科学系列读书会。


新一季【计算社会科学读书会】由清华大学罗家德教授领衔，卡内基梅隆大学、密歇根大学、清华大学、匹兹堡大学的多位博士生联合发起，自2022年6月18日开始，持续10-12周。本季读书将聚焦讨论Graph、Embedding、NLP、Modeling、Data collection等方法及其与社会科学问题的结合，并针对性讨论预测性与解释性、新冠疫情研究等课题。读书会详情及参与方式见文末，欢迎从事相关研究或对计算社会科学感兴趣的朋友参与。



详情请见：

数据与计算前沿方法整合：计算社会科学读书会第二季启动



推荐阅读



点击“阅读原文”，报名读书会