A063 Nat Hum Behav | 聊八卦时，大脑在偷偷计算什么？研究揭秘社交网络中的信息传播智慧
来源：公众号 PSY-Brain_Frontier ｜ 发布：2025-10-05 ｜ 原文链接
点击蓝字 关注我们 知晓前沿
决策与社会行为前沿文献分享
基本信息
Title:Knowledge of information cascades through social networks facilitates strategic gossip
发表时间：2025.7.1
Journal：Nature Human Behaviour
影响因子：15.9
获取原文：
- 后台回复“文献”即可获取PDF版本
- 点击页面底部“阅读原文”即可跳转论文原网页
引言：一次秘密的社交钢丝绳行走
想象一个场景：你刚听说一个关于共同熟人张三的敏感消息。在咖啡馆，一位朋友坐在你对面，期待地凑过来。你是否会分享这个秘密？就在这电光火石之间，你的大脑启动了一场极其复杂的计算：这位朋友与谁有联系？ta有多大概率会把消息传出去？这个信息通过哪条路径能最快地回到张三耳中？这个瞬间的思考，正是发表于《自然·人类行为》的一项研究的核心，它揭示了我们进行“策略性八卦”时惊人的认知能力。
我们通常将“八卦”视为一种道德瑕疵，但科学将其定义为一种涉及发送者、接收者和一位不在场目标的社会信息传递形式。它的普遍性远超我们的想象，占据了日常对话的10%到20%，并且是学习社会规范、建立信任和在社会等级中航行的关键机制。
然而，一个核心谜题始终存在。研究和日常经验都表明，人们似乎总能巧妙地传播评价和信息，而让当事人蒙在鼓里。这暗示了一种“在决策前评估其长远后果的非凡能力”。我们究竟是如何做到的？我们依赖哪些信息？我们大脑中描绘的究竟是怎样一幅“社会地图”，才允许我们进行如此复杂的策略性导航？这项研究将带领我们深入大脑，探寻八卦背后的认知算法。
省流总结
- 核心策略： 如何安全又广泛地分享一个秘密？研究揭示了一条清晰的法则：将秘密分享给受欢迎、人脉广的人，但前提是他们必须与八卦的目标人物在社交上保持“距离”。这一策略完美地平衡了信息传播和风险规避的双重目标。
- 认知机制： 我们的大脑是如何计算出这一点的？我们并非简单地记忆“谁和谁是朋友”。相反，我们的大脑构建了一幅认知地图，将信息流动模拟为一种 “泄漏式级联”（leaky cascade）——就像水流同时涌入所有相连的渠道。这使得我们能对秘密的最终流向做出快速、直觉性的判断。
- 核心观点： 我们的大脑是天生的网络科学家，能够直觉地掌握社交世界的复杂拓扑属性，并以此为基础做出精妙的策略性决策。
研究背景与动机
八卦远非无聊的闲聊，它在人类社会中扮演着至关重要的功能性角色。它是维护合作、管理声誉和传递文化规范的工具。一项统计数据指出，“90%的人会在工作场所八卦”，这凸显了其在组织生活中的普遍性和重要性。
在本次研究之前，学界已经知道人们倾向于在信任的小圈子内分享八卦，并会考量接收者的“可信度”。然而，一个关键的知识缺口依然存在：实现策略性八卦的精确机制仍然是未知的。在这里，研究者们探究人们如何实现策略性八卦”。
这项研究的动机，在于实现一次根本性的视角转换——从关注个体间的信任关系，转向探索整个网络结构如何影响我们的决策。以往的研究大多聚焦于发送者与接收者之间的“二人关系”（dyadic relationship），例如评估对方是否值得信赖。
但本研究提出，像“受欢迎度”（popularity）和“与目标的距离”（distance from target）这类信息，并非个体或二人关系的属性，它们只有在整个网络的背景下才存在意义。你无法在不具备整个网络心智表征的情况下，计算出某人与目标之间的“距离”。因此，这项研究的核心动机，是检验一个更宏大、更具挑战性的假设：人类的社会认知并非局限于局部的二人计算，而是涉及对整个网络拓扑结构的整体性表征和运算。
研究问题
基于上述背景，研究者们设定了四个层层递进的核心问题，旨在系统性地解构策略性八卦的认知过程：
- 核心策略问题： 为了平衡“广泛传播”与“避免目标发现”的双重目标，人们会推断并利用哪些社交网络中不可直接观察的属性（如社交距离和受欢迎度）？
- 信息整合问题： 人们如何整合多种类型的社会信息——例如网络结构（谁和谁是朋友）与个体属性（某人八卦的倾向，即“传播性”）——来优化他们的八卦策略？
- 现实世界有效性问题： 在受控的实验室人工网络中观察到的策略性计算，是否同样适用于人们在大型、复杂、真实的社交网络中预测信息流动的方式？
- 认知机制问题： 我们大脑中的“社会地图”究竟以何种计算格式存在？它将信息流动模拟为一系列单一路径的“串行游走”（serial walk），还是一个同时在多路径上传播的“级联”（cascade）过程？
实验设计：
从实验室到真实世界
为了回答上述问题，研究团队设计了一系列逻辑严谨、逐步深入的实验。
A. 受控的实验室：模拟社交迷宫（实验1-3）
前三个实验在一个精心设计的人工社交网络中进行，该网络包含9名成员和12条相互的友谊关系，旨在提供多样化的受欢迎度和距离组合。这个受控的环境是精确分离和检验关键变量的基础。
实验任务分为两步：首先，参与者通过“闪卡”任务学习网络结构；其次，他们执行“八卦任务”，在一个0到100的量表上，评估自己向网络中的某个“接收者”分享关于特定“目标”的八卦的可能性。任务的明确目标是“尽可能广泛地传播八卦，同时避免八卦传到目标那里”。
这三个实验在设计上体现了巧妙的递进关系，系统性地增加了认知复杂性：
- 实验1（N=201）：基线测试。 参与者只学习朋友关系。目的是确定人们是否能自发地推断并利用潜在的网络拓扑属性——距离和受欢迎度。
- 实验2（N=198）：增加个体特质。 参与者不仅学习朋友关系，还学习了每个成员的“传播性”（transmissibility）——他们传递八卦的概率，分为40%、70%和100%三档。这旨在检验人们能否整合网络层面和个体层面的信息。
- 实验3（N=169）：增加认知负荷。 参与者必须通过观察互动来同时学习朋友关系和传播性，这更贴近现实世界中混乱、多维度的学习方式。此实验旨在检验策略在更具挑战性的认知条件下是否依然稳固。
B. 真实世界：在校园网络中验证策略（实验4）
为了验证实验室发现的普适性，研究团队将目光投向了一个由187名大学一年级新生组成的真实社交网络。这是一个对理论的强力检验，因为该网络规模庞大、动态变化，且与参与者个人息息相关。
出于伦理考虑，任务性质发生了关键变化。研究者没有要求参与者进行真实的八卦，而是请他们预测“由某人（源头）分享的消息，被另一个人（接收者）听到的可能性有多大”。这个任务巧妙地充当了他们对信息流动直觉理解的代理指标。
实验4的目标是检验在实验室中支配策略性八卦的拓扑属性——距离和受欢迎度——是否同样能预测人们在自己真实社交环境中对信息流动的判断。
核心发现：
解码八卦的“规则”
发现1：基本法则--距离与受欢迎度的交互作用
在实验1中，研究者发现了一个清晰且强大的模式：人们更倾向于与那些既受欢迎（朋友多）又远离目标的人分享八卦。
这里的关键在于“交互作用”。这并非两个独立效应的简单叠加。当一个潜在的接收者是目标的直接朋友时（距离=1），他的受欢迎度反而成了一种威慑——人们会刻意避免与目标的“人气王”朋友八卦。然而，随着社交距离的增加，受欢迎度则摇身一变，成为传播信息的有利资产。这揭示了一种高度灵活、依赖情境的策略。
这个发现的深层含义是，人们并非将“受欢迎度”视为一个简单的正面或负面标签，而是将其看作一个功能取决于其与目标相对位置的工具。受欢迎度是一个“社交放大器”，而策略性的决策在于：当接收者远离目标时，利用这个放大器进行广泛传播；当接收者靠近目标时，则避开这个放大器以控制风险。这表明我们大脑中对社交动态的建模，远比“告诉受欢迎的人”或“不告诉离得近的人”这类简单规则要复杂和精妙得多。
发现2：利用“传播性”微调策略
在实验2中，当引入个体“传播性”（爱八卦的倾向）这一信息后，人们的策略变得更加精细。距离、受欢迎度和传播性三者之间存在显著的交互作用。
具体模式是：在远离目标的地方，人们最愿意与那些既受欢迎又具有高传播性的“超级传播者”分享八卦。然而，在靠近目标时，传播性的重要性下降了；人们普遍选择谨慎，尤其会避开那些受欢迎的个体，无论他们平时是否爱传话。
发现3：认知的极限--压力下的策略表现
在实验3中，学习环境变得更加复杂和真实，人们的策略精确性有所下降。之前显著的三因素交互作用变得不再显著。
然而，核心策略依然存在。距离和受欢迎度这两个基本因素的交互作用虽然有所减弱，但仍然非常显著。
这一发现极具启发性。它表明，推断网络的拓扑结构（距离和受欢迎度）是一种比追踪和整合个体特质（传播性）更基本、更稳固的认知过程。当认知资源受限时，我们的大脑会默认依赖更稳定的网络结构信息。这暗示了一个社会信息处理的层级：大脑优先构建一幅结构化的“地图”，而关于个体的精细信息则是在此基础上添加的“图层”；当系统承压时，这些“图层”会最先被舍弃。网络拓扑结构，是我们进行社会导航的基石和启发式捷径。
发现4：从实验室到现实生活--策略依然有效
实验4的真实世界数据有力地印证了实验室的发现。在预测信息流动时，学生们判断，网络中距离更近的两个人之间信息传递的可能性更大。关键的是，信息源头的受欢迎度会放大这种效应，但主要是在较短的社交距离上。这证实了在实验室中识别出的认知原则并非人为设计的产物，而是人们在解析真实社会环境时积极运用的心智工具。
编辑部观点
心智中的“级联”社会地图：SR模型 vs. Katz模型
这项研究最深刻的贡献，在于探究了我们心智中“社会地图”的底层计算格式。为此，研究者测试了两类前沿的计算模型。
- 模型1：后继表征（Successor Representation, SR）——“串行步行者”可以将其比作信息像一个行人在城市中穿行。他一次只能从一个路口走到下一个路口，一步一个脚印。SR模型正是将信息流动概念化为一系列这样单路径、序列化的“随机游走”。它擅长计算从A点到B点的可能路径。
- 模型2：卡茨标准（Katz Criterion）——“泄漏式级联”一个截然不同的比喻是：信息如同大坝泄洪。水流并非只走一条河道，而是同时涌入所有可用的渠道，主流道水流最强，而流向细小支流时则逐渐减弱。Katz模型捕捉的正是这种“泄漏式级联”的思想，即信息沿着所有路径并行传播，其影响力随距离衰减。该模型天然地同时整合了距离（级联能达到的范围）和受欢迎度（拥有更多传出路径的节点）。
- 最终裁决： 在所有四个实验中，Katz模型的“泄漏式级联”都显著地更好地拟合了人类的行为数据（受保护超越概率 PXP > 0.99）。
这一结果意义非凡。它表明我们对社交世界的直觉模型并非线性和序列化的，而是并行和动态的。我们的大脑进化出了一种能够内隐地理解网络扩散和“病毒式传播”原理的认知架构。我们的思考方式并非简单的“A会告诉B，B可能会告诉C”，而是一种对某个想法或秘密将如何“淹没”一个社交群体的直觉感知。Katz模型的胜出，不仅仅是统计上的胜利，更是概念上的突破。它意味着我们的“社会常识”建立在一种对系统级扩散动力学的惊人理解之上，这种理解与我们在流行病学和信息科学中观察到的现象如出一辙。
B. 更广泛的启示与总结
研究还发现了一个有趣的现象：Katz模型中的抽象化参数（α）与人们对距离的依赖程度之间存在一种倒U型的关系。这意味着社会认知存在一个“最佳平衡点”。抽象程度太低（只考虑直接朋友）或太高（将网络看得过于扁平，感觉人人之间都很近）都无助于做出最优的策略决策。一个中等程度的抽象化水平才是最理想的。
这项研究的意义远不止于八卦本身。这种“泄漏式级联”的认知模型，可以帮助我们解释各种社会现象的传播，例如网络迷因（memes）、虚假新闻、社会运动（论文中提到了#MeToo运动）以及公众舆论的形成。它为我们在社交媒体和现实社会中观察到的网络效应提供了认知层面的基础。
总而言之，这项研究将八卦从一种琐碎的消遣，提升为一把有力的科学“解剖刀”。当被科学地审视时，它剥开了社会行为的表层，揭示了其下精密的计算结构。研究表明，在日常的社会生活中，我们每个人都是一位直觉的、实践中的网络科学家，大脑中装备的心理模型，能够出人意料地精准预测定义我们社群的信息洪流。
Abstract
Social networks are composed of many ties among many individuals. These ties enable the spread of information through a network, including gossip, which comprises a sizeable share of daily conversation. Given the number of possible connections between people in even the smallest networks, a formidable challenge is how to strategically gossip—to disseminate information as widely as possible without the target of the gossip finding out. Here we find that people achieve this goal by leveraging knowledge about topological properties, specifically, social distance and popularity, using a gossip-sharing task in artificial social networks (experiments 1–3, N = 568). We find a similar pattern of behaviour in a real-world social network (experiment 4, N = 187), revealing the power of these topological properties in predicting information flow, even in much noisier, complex environments. Computational modelling suggests that these adaptive social behaviours rely on mental representations of information cascades through the social network.
Author information
第一作者: Alice Xia
Department of Cognitive and Psychological Sciences, Brown University, Providence, RI, USA.
布朗大学认知与心理科学系，普罗维登斯，美国
通讯作者#1: Oriel FeldmanHall
Department of Cognitive and Psychological Sciences, Brown University, Providence, RI, USA.
布朗大学认知与心理科学系，普罗维登斯，美国
Robert J. and Nancy D. Carney Institute for Brain Science, Brown University, Providence, RI, USA.
罗伯特J.和南希D.卡尼脑科学研究所，布朗大学，普罗维登斯，美国。
通讯作者#2:Apoorva Bhandari
Department of Cognitive and Psychological Sciences, Brown University, Providence, RI, USA.
布朗大学认知与心理科学系，普罗维登斯，美国
推荐相关阅读
Nature | 最新重磅Nature正刊 决策过程的动力学机制与神经模式转变 ⭐️[ 解读链接 ]
*Nature Human Behaviour | 一场多感官的“双重博弈”：揭示大脑如何加速决策的秘密 ⭐️[ 解读链接 ]***
Nature Communications | 普林斯顿团队: 组合式认知地图模型解析灵活性与效率之争*⭐️[ 解读链接 ]***
Nature Human Behaviour | 你不是天生就爱跟风：社会特征学习理论揭示人类“随大流”背后的秘密**⭐️[ 解读链接 ]****
*Neuropsychopharmacology | Nature子刊综述：大脑预测误差的核心回路 *⭐️[ 解读链接 ]****
*Nature neuroscience | 明尼苏达大学揭示多巴胺如何塑造决策信心 *⭐️[ 解读链接 ]****
*Nature Communications | 大脑如何“反悔”？解密决策、信心与“改变主意”背后的神经机制 *⭐️[ 解读链接 ]****
本文解读基于：Knowledge of information cascades through social networks facilitates strategic gossip，Doi: 10.1038/s41562-025-02241-2。核心图表、方法细节、统计结果与讨论见原文及其拓展数据。点击左下角 “阅读原文” 可跳转到论文源网站界面。
分享人：饭哥
审核：PsyBrain 脑心前沿编辑部
PsyBrain 脑心前沿
带你了解心理学、脑科学的前沿知识与技术流程
预览时标签不可点
阅读原文
不喜欢
微信扫一扫
关注该公众号
知道了
微信扫一扫
使用小程序
取消 允许
取消 允许
取消 允许
× 分析
微信扫一扫可打开此内容，
使用完整服务