耶魯團隊Nat Commun | 貝葉斯大腦的“社交雷達”：統計學習與因果推理如何解密人類群體網絡？

一鍵關注，點亮星標 ?? 前沿不走丟！

認知神經科學前沿文獻分享

基本信息

Title:Inferring the internal structure of groups through the integration of statistical learning and causal reasoning

發表時間：2026.1.23

發表期刊:Nature Communications

影響因子：15.7

獲取原文：

1. 添加小助手:PSY-Brain-Frontier即可獲取PDF版本

研究背景

想象一下你入職新公司的第一天。即使沒有人明確告訴你辦公室的權力結構，你也能通過觀察同事間的零星互動（比如誰給誰派發任務，誰和誰常去吃午飯）迅速弄清誰是領導、誰是核心圈子成員，以及遇到困難該向誰求助。

人類的社會生活在一個由重疊關系構成的豐富網絡中展開，這些結構包含著等級制度、友誼和合作聯盟。然而，我們在日常中觀察到的互動往往是極其稀疏且充滿噪音的，要在這種極其有限的線索下推斷出潛在的群體內部結構，是一個巨大的認知挑戰。過去的研究大多將視線聚焦于群際互動（即“我們”與“他們”的簡單成員劃分），或者認為人們僅僅依靠固定僵化的啟發式圖式來理解關系。但這顯然無法解釋人類社交結構的復雜性、靈活性與生成性。

近期發表于頂級期刊《自然-通訊》（Nature Communications）的一項突破性研究提出了一個絕妙的認知框架：人類社會智力的核心，在于能夠將“領域一般性”的統計學習能力與“領域特定”的社會結構因果模型完美結合，從而在腦內迅速構建出支持解釋、預測和規劃的社會網絡表征。

研究核心總結

在這項研究中，研究團隊設計了三個精巧的認知行為實驗，讓受試者觀看高度抽象的小人互動動畫，并開發了一個基于貝葉斯推斷的計算認知模型來量化人類的社會結構推斷過程。

Fig. 1: Examples of social structure representations and the generative models associated with each structure.

一、貝葉斯大腦的社會計算機制

研究表明，我們的大腦在處理社交信息時，首先會利用類似于“中餐館過程”的非參數化統計學習機制，根據人們互動模式的相似性將他們聚類為不同的抽象角色或子群體。但這遠遠不夠，大腦還會調用一種被稱為“樸素社會學”（naive sociology）的直覺領域知識。這是一種內在的因果模型，規定了特定社會結構應有的行為期待。例如，權力關系通常意味著單向的命令傳達且拒絕成本高昂，而友誼關系則預示著雙向對稱的社交邀請。通過無縫整合這種純粹的統計聚類與因果常識，觀察者便能通過貝葉斯推斷，從無限可能的圖結構中逆向還原出最能解釋當前觀察數據的社交網絡。

Fig. 2: Stimulus and response format for Experiment 1.

二、見微知著：還原潛在的群體內部結構

在第一個實驗中，受試者僅僅觀看了幾段展示工作指令、社交邀請或建議請求的簡短互動動畫。結果顯示，人們不僅能夠準確地從零散動作中推斷出背后的權力等級、友誼小圈子和導師網絡，還能對不同候選結構的合理性給出精細的概率評估。人類這種呈現出灰度、定量且帶有不確定性的判斷模式，與計算模型的預測實現了高度吻合。這說明即使數據模糊，我們也絕不是在瞎猜，而是在進行極其嚴密且高保真的概率計算。

Fig. 3: Summary of Experiment 1 results. showing average participant judgments (y-axis) against model predictions (x-axis).

三、洞察未來：超越表面頻率的行為預測

我們在觀察他人時，僅僅是在死記硬背“誰和誰說話次數最多”嗎？并非如此。研究發現，當需要預測未來某個角色碰巧不在場時其他人會和誰互動，受試者并非簡單地推演過去的表面互動頻率。相反，人們會提取并利用大腦中剛剛隱式構建好的那張“社會關系網”來預測尚未發生的新行為。這種預測表現有力地證實了我們的社會認知建構了深層且靈活的生成模型。

Fig. 4: Two example trials from Study 1a (authority), as well as participant responses and all three model predictions for each trial.

四、拿捏分寸：復雜關系網絡中的影響力推斷

現實生活中的小群體往往交織著多重結構，同一批人之間既有上下級匯報，也有私下閑聊。在綜合考察多重互動的實驗中，研究者要求受試者判斷在不同場景下誰更有可能說服目標人物。結果顯示，人類能夠極其敏銳地根據影響力的類型，動態切換所依賴的底層網絡表征。例如，對于決定是否“額外加班”這種工作要求，人們自然依賴權力等級結構；而對于決定是否“去看某部電影”這種娛樂活動，人們則精準切換到了隱式推斷出的友誼網絡模型上。

Fig. 5: Summary of results from Experiment 2, showing participant judgments (y-axis) against model predictions (x-axis).

研究意義

這項研究深刻地指出，在我們的認知架構中，對“社會結構”的非心理化表征與推斷，其重要性絲毫不亞于對個體“心智”的表征（心理理論）。它不僅為我們理解人類高階社會智力提供了極為優雅的量化框架，也為未來探索跨文化的社會規范差異打開了全新大門。

Fig. 6: Example stimuli, plus participant responses and model predictions from Experiment 2.

Fig. 7: Summary of results from Experiment 3, showing participant judgments (y-axis) against model predictions (x-axis).

Fig. 8: Example trial from Experiment 3, with participant and model predictions.

Abstract

Human social life unfolds within richly structured networks of overlapping relationships, including friendships, hierarchies, and collaborations. Yet the observable interactions that reveal these networks are often sparse and noisy, making it unclear how people could infer the latent structure of their social environments from such limited evidence. We propose that humans integrate domain-general statistical learning with domain-specific models of social structures to rapidly construct causal representations that support explanation, prediction, and planning. Across three behavioral experiments, we show that participants can infer underlying social structures (Experiment 1), predict social behavior (Experiment 2), and reason about the spread of social influence (Experiment 3), based on brief, abstract videos of social interactions. These judgments were closely captured by a computational model grounded in our account and could not be explained by simpler cue-based accounts. Statistical learning and causal reasoning operate in concert to support rapid, flexible understanding of social structures.

請打分

這篇剛剛登上Nature Communications的研究，是否實至名歸？我們邀請您作為“云審稿人”，一同品鑒。精讀全文后，歡迎在匿名投票中打分，并在評論區分享您的深度見解。

分享人：飯鴿兒

審核：PsyBrain 腦心前沿編輯部

你好，這里是「PsyBrain 腦心前沿」

專注追蹤全球認知神經科學的最尖端突破

視野直擊 Nature, Science, Cell 正刊 及 Nat Neurosci, Nat Hum Behav, Neuron, Sci Adv 等核心子刊與頂級大刊

每日速遞「深度解讀」與「前沿快訊」，為你打破信息差

科研是一場探索未知的長跑，但你無需獨行。歡迎志同道合的你加入PsyBrain 學術社群，和一群懂你的同行，共同丈量腦與心智的無垠前沿。

點擊卡片進群，歡迎你的到來

一鍵分享，讓更多人了解前沿