简单的猜测会比复杂的微积分带来更多的合作吗？

想象一下，在一个小村庄里，一个人采取的每一个行动，无论好坏，都会被永远细心、爱管闲事的邻居悄悄地跟踪。一个人的声誉是通过这些行为和观察建立起来的，这决定了别人将如何对待他们 他们帮助邻居，并可能得到他人的帮助作为回报;他们背弃了邻居，发现自己被孤立了。但是，当人们犯错，当善行被忽视，或者错误导致不公正的指责时，会发生什么？

在这里，行为研究与贝叶斯推理和归纳推理相交，宾夕法尼亚大学艺术与科学学院的理论生物学家 埃罗尔·阿克恰伊（Erol Akçay）说。

贝叶斯推理是指一种评估概率的方法，其中个人使用先验知识与新证据相结合来更新他们对某种条件的信念或估计，在这种情况下是其他村民的声誉。虽然演绎推理涉及一种简单的“所见即所得”的合理化和决策方法，但 Akçay 说。

在两篇论文中，一篇发表在PLoS Computational Biology上，另一篇发表在《理论生物学杂志》上，生物学系的研究人员探讨了如何有效地建模和应用这些推理策略，以增强生物学家对社会动态的理解。

做出有根据的猜测

PLoS Computational Biology 论文研究了如何使用贝叶斯统计方法来权衡错误的可能性，并使社交网络中参与者的判断与对声誉的更细致入微的理解保持一致。“当我们试图为一些现象提供解释而没有明显、直接或直观的解决方案时，我们通常会这样做，”Akçay说。

布莱斯·莫尔斯基（Bryce Morsky）是这两篇论文的合著者，现在是 佛罗里达州立大学的助理教授，他在Akçay实验室的博士后研究期间开始了这项工作。他说，他最初认为，对判断错误的解释可以大大加强支持合作的奖惩制度，他希望更好地理解这些错误并将其纳入模型将促进更有效的合作。“从本质上讲，我们的假设是，减少错误将导致对声誉的更准确评估，这反过来又会促进合作，”他说。

该团队开发了一个数学模型来模拟贝叶斯推理。它涉及一个博弈论模型，其中个人在基于捐赠的遭遇框架内进行互动。模拟中的其他人根据他们的行为评估行为者的声誉，这些行为受到几个预定义的社会规范的影响。

在村庄的背景下，这意味着通过他们的行为来判断每个村民——无论是帮助另一个人（好）还是不这样做（坏）——但也要考虑到他们的历史声誉和你没有正确评估的潜力。

“所以，例如，如果你观察到某人行为不端，但你以前认为他们很好，你要保持开放的心态，你可能没有正确看待。这允许对声誉更新进行细致入微的计算，“Morsky 说。他和同事们使用这个模型来观察错误和推理将如何影响村民的感知和社会动态。

该研究探讨的五个关键社会规范是：评分、回避、简单站立、停留和严厉评判;每种因素都会对个体的声誉和随后的行为产生不同的影响，从而改变合作策略的进化结果。

“在某些情况下，特别是在评分的情况下，贝叶斯推理改善了合作，”莫尔斯基说。但在其他规范下，如斯特恩判断，由于更严格的判断标准，它通常会导致合作减少。

莫尔斯基解释说，在评分下应用了一个简单的规则：无论接受者的声誉如何，合作（给予）是好事，叛逃（不给予）是坏事。而在斯特恩的领导下，评判不仅考虑了个人的行为，而且还根据接受者的声誉对他们的决定进行了批判性评估。

在爱管闲事的邻居场景中，如果一个村民决定帮助另一个村民，无论谁接受帮助或他们在村子中的地位如何，这一行为都会在评分下被积极记录。相反，研究人员说，在斯特恩判断下，如果一个村民选择帮助一个名声不好的人，就会被注意到负面。

他补充说，在贝叶斯推理导致对错误的容忍度降低的规范中，缺乏合作尤为明显，这可能会加剧关于声誉的分歧，而不是解决它们。这一点，再加上人类在决定与谁合作之前不会权衡所有相关信息的知识，促使 Akçay 和 Morsky 研究其他推理模式。

不仅仅是一种预感

在阿克恰伊的实验室工作时，莫尔斯基招募了当时还是高中二年级学生的尼尔·潘杜拉（Neel Pandula）。“我们是通过宾夕法尼亚大学 自然科学实验室的经验认识的，”莫尔斯基说。“根据贝叶斯推理模型，尼尔提出了归纳推理作为建模推理的另一种方法，因此我们开始为《 理论生物学杂志》撰写那篇论文，他成为该杂志的第一作者。

潘杜拉现在是艺术与科学学院的一年级学生，他解释说，他和莫尔斯基使用Dempster-Shafer理论（一种推断最佳解释的概率框架）来构成他们方法的基础。

“这里的关键是，Dempter-Shafer理论在处理不确定性方面允许一些灵活性，并允许将新证据整合到现有的信念体系中，除非证据很强，否则不会完全致力于单一假设，”Pandula说。

例如，研究人员解释说，在一个村庄里，看到一个好人帮助另一个好人符合社会规范，并且很容易被观察者接受。然而，如果一个被称为坏人的村民被看到帮助一个好人，这与这些规范相矛盾，导致观察者质疑所涉及的声誉或他们观察的准确性。然后，他们使用演绎推理的规则，特别是Dempster-Shafer理论，考虑错误率和典型行为，以确定意外行为背后最可能的真相。

该团队预计，归纳推理将更有效地处理声誉评估中的错误，特别是在公共场合，个人可能会以某种方式受到压力，从而导致差异和错误。在评分和其他规范下，他们发现在公共场合，归纳推理比贝叶斯推理更能促进合作。

Akçay说，在浏览社交网络时，这种简单的“认知上’廉价，懒惰’的推理机制证明在应对与间接互惠相关的挑战方面是有效的，这有点令人惊讶。

莫尔斯基指出，在这两个模型中，研究人员都选择不考虑认知负担的任何成本。“你会希望执行一项艰巨的任务，比如记住哪些人做了什么，并用它来告诉你他们下一步可能做什么，这会产生一些积极的、亲社会的结果。然而，即使你使这种努力没有成本，在贝叶斯推理下，它通常也会破坏合作。

作为后续行动，研究人员有兴趣探索低成本的推理方法，如演绎推理，如何在更大、更复杂的社交圈中受到进化的青睐。他们有兴趣将这些推理方法应用于其他社会系统。

埃罗尔·阿克恰伊（Erol Akçay）是宾夕法尼亚大学艺术与科学学院生物系的副教授。

布莱斯·莫尔斯基（Bryce Morsky）是宾夕法尼亚大学的博士后，现在是佛罗里达州立大学的助理教授。

尼尔·潘杜拉（Neel Pandula）是宾夕法尼亚大学艺术与科学学院的一年级学生。

约书亚·普洛特金（Joshua Plotkin），宾夕法尼亚大学艺术与科学学院（School of Arts & Sciences at Penn）的沃尔特·H·（Walter H.）和莱昂诺尔·C·安纳伯格（Leonore C. Annenberg）自然科学教授，合著者 “与贝叶斯推理和偏见的间接互惠。”

这项研究得到了约翰邓普顿基金会的支持。