PsyBrain 脑心前沿 / 情绪·社会·人格：顶刊文献解读专题 / A · 文献解读 / A033 · NatHumBehav改变大众行为该先说服谁？采纳阈值揭

A033 Nat Hum Behav | 改变大众行为该先说服谁？采纳阈值揭示社会网络干预新路径

来源：公众号 PSY-Brain_Frontier ｜发布：2026-03-24 ｜原文链接

认知神经科学前沿文献分享

基本信息

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

发表时间: 2026-03-16

发表期刊:Nature Human Behaviour

影响因子: 15.9

获取原文:

添加小助手: PSY-Brain-Frontier 即可获取PDF版本
点击页面底部“阅读原文”跳转论文网页

研究背景

应对气候变化或公共卫生危机等全球性挑战，往往需要推动社会大规模采纳新的行为或产品。然而，现有的干预研究长期存在微观与宏观的脱节：心理学与经济学侧重于个体决策驱动力，而复杂科学则聚焦于社会网络中的集体扩散，即复杂传染理论（complex contagion theory）。这种脱节导致传统的网络干预往往依赖于寻找“中心节点”的播种策略（seeding policies），却忽略了个体对社会信号的敏感度差异。如果不能准确识别不同个体在何种社会压力下会改变行为，即“采纳阈值”（adoption thresholds），干预措施的效果往往难以达到预期。本研究旨在通过实验数据校准动态模型，打破学科壁垒，为大规模行为改变提供更精准的实证路径。

实验设计与方法逻辑

研究者提出了一种将微观决策逻辑整合进宏观扩散模型的新方法。其核心逻辑在于：个体的采纳决策取决于产品本身的属性效用与周围人群带来的社会效用。当社会信号达到一定水平，使采纳的总效用超过维持现状的效用时，该临界点即为采纳阈值。

为了测算这一阈值，研究者设计了两项选择实验（choice-based conjoint experiments, CBC）：一项涉及能源政策支持（policy support, PS），另一项涉及即时通讯应用采纳（app adoption, AA）。实验参与者需在不同属性组合及不同社会信号水平（如周围同龄人的采纳比例）下做出选择。研究利用分层贝叶斯（hierarchical Bayes, HB）算法分析数据，估算出每个个体的偏好权重和社会信号的边际效用，从而直接计算出个体的采纳阈值。随后，研究者将这些实测阈值代入真实的社会网络结构中进行代理人模拟，对比了基于网络结构的传统策略与基于阈值信息的行为策略在推动扩散方面的效率。

核心发现

发现一：采纳阈值可被准确估算，且分布具有高度的情境依赖性

研究证实，仅利用微观选择实验数据即可准确预测个体在未见任务中的采纳决策。实验发现，不同领域的阈值分布截然不同：PS 的阈值呈现明显的双峰分布，存在大量不受社会信号影响的“独立决策者”；而 AA 的阈值分布则较为均匀，包含更多易受他人影响的“易感人群”。这表明，将个体偏好纳入传染模型对于理解不同社会议题的扩散至关重要。

Fig. 1 中，作者展示了不同任务下采纳阈值的分布差异；这张图对比了能源政策与 App 采纳的不同模式，直观呈现了个体对社会信号敏感度的多样性

发现二：当干预成本取决于个体偏好时，“邻域易感性”策略表现最佳

在模拟干预中，如果说服一个节点的成本主要由其内在抵抗力决定，传统的网络中心性策略（如寻找度中心性高的节点）往往不是最优选。研究发现，基于估算阈值制定的“邻域易感性”（neighbourhood susceptibility）策略显著优于其他方案。该策略通过锁定那些周围存在大量低阈值、易受影响人群的节点，能够以更低的成本启动大规模扩散。

Fig. 2b 和 2c 展示了在偏好相关成本结构下各策略的排名；图中邻域易感性策略的平均排名最高，证明了识别易感人群在降低干预成本方面的价值

发现三：最优播种策略取决于成本结构，但赢家都依赖经验阈值

在现实中，高影响力的网络核心节点通常需要更高的干预成本。在这种情况下，结合了网络拓扑结构与个体实测阈值的“校准后的复杂中心性”（calibrated complex centrality, CC）策略表现最为突出。值得注意的是，如果不使用实验估算的真实阈值进行校准，未校准的 CC 策略表现甚至可能不如随机播种。这强调了行为实验数据在优化网络干预算法中的决定性作用。

Fig. 2d 和 2e 呈现了在中心性相关成本结构下的模拟结果；图中校准后的 CC 策略显著优于传统结构策略，揭示了微观数据对宏观算法的修正作用

省流总结

这篇论文最重要的价值，是把“个体为什么采纳”与“行为如何在网络中扩散”真正接通了。它证明了三件事。第一，个体采纳阈值可以通过离散选择实验估计出来，而且能预测样本外选择。第二，不同问题情境的阈值分布差异很大，不能再把阈值当作随手设定的抽象参数。第三，播种策略没有通用最优解，但如果忽略个体阈值，很多基于网络中心性的干预设计会失真；一旦把阈值校准进去，策略选择才真正有依据。对实际应用者来说，这项研究的启发很直接：不要只问“谁最有影响力”，还要问“谁最容易被带动、谁周围有更多容易被带动的人，以及你说服这些人的成本到底由什么决定”。

分享人：天天

审核：PsyBrain 脑心前沿编辑部

💡 关于我们

👋 你好，这里是「PsyBrain 脑心前沿」

🧠 专注追踪全球认知神经科学的最尖端突破

🔍 视野直击 Nature, Science, Cell 正刊及核心子刊与顶级大刊

📄 每日速递「深度解读」与「前沿快讯」

科研是一场探索未知的长跑，但你无需独行。欢迎加入 PsyBrain 学术社群，和一群懂你的同行，共同丈量脑与心智的无垠前沿。

👇点击卡片进群，欢迎你的到来👇