PsyBrain 脑心前沿 / 科研分析：认知神经科学前沿的结构化精读 / E · 情绪 · 社会 · 人格 / E054 · TrendsCognSci重磅综述：听别人“讲故事”时，

E054 Trends Cogn Sci 重磅综述：听别人“讲故事”时，大脑如何判别真伪？社交元记忆新框架

来源：公众号 PSY-Brain_Frontier ｜发布：2025-11-30 ｜原文链接

PsyBrain 脑心前沿 | 公众号 PSY-Brain_Frontier

一键关注，点亮星标 ⭐️

不错过每日前沿资讯

认知神经科学前沿文献分享

基本信息：

Title:How do we evaluate and learn from others’ memories?

发表时间：2025.10.30

Journal:Trends in Cognitive Sciences

影响因子：17.2

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”即可跳转论文原网页

研究背景

在日常生活中，我们极少是一座孤岛。我们在聊天中听朋友讲述旅行见闻，在职场听同事复盘项目经验，甚至在饭桌上听取关于某个新邻居的“八卦”。这些时刻，我们都在通过他人的“情景记忆”（Episodic Memories）来获取那些我们未曾亲历的知识。

然而，面对海量的他人记忆，我们的大脑并非只是被动的“录音笔”。相反，我们更像是一位谨慎的“法官”或“侦探”。因为他人的记忆可能出错，可能被夸大，甚至可能虚构。为了避免被误导，我们在学习这些信息之前，必须先对其进行“真伪评估”。

尽管过去几十年，认知神经科学对个体“如何记住事情”（编码、存储、提取）已经有了详尽的研究，但关于“我们如何评估并学习他人的记忆”这一社会化过程，科学界却知之甚少。近日，发表在认知科学顶刊 Trends in Cognitive Sciences 上的一篇综述文章，正式提出了“社交元记忆”（Social Metamemory）的全新框架，试图解开这一人类社会核心能力的谜题。

综述框架

Talya Sadeh 团队构建了一个逻辑严密的理论框架，其行文思路如下：

首先，作者界定了研究范畴，区分了“替代记忆”（Vicarious Memories）与本文核心关注的“社交学习”（Social Learning）。作者指出，就像儿童在社会环境中学习概念知识一样，成年人在接收他人的情景记忆时，也会采取一种“评估性姿态”（Evaluative Stance）。

随后，文章提出了核心理论框架：社交元记忆（Social Metamemory）。作者假设，这种评估主要依赖于语言交流中的线索。这些线索就像路标一样，指引听者判断分享者记忆的真实性

接着，作者将这些线索细分为两大类并分别进行了深入探讨：一类是蕴含在语言内容（Language Content）中的深层线索（如细节描述、元认知声明）；另一类是伴随语音自动传递的韵律线索（Prosodic Cues，如语速、音量）

最后，作者引入了机器学习（Machine Learning）作为研究工具和基准。通过对比人类评估者与自然语言处理（NLP）模型的表现，揭示人类在利用这些线索时的效率与偏差，并展望了该领域的未来研究方向

Figure 1. Illustration of the theoretical framework

核心观点

评估是学习的前提

作者提出的核心观点是，人类在通过他人记忆获取知识时，存在一个必不可少的过滤机制。正如Fig 1的整体架构所示，当分享者（Sharer）通过语言叙述一段经历时，接收者（Recipient）并不是照单全收，而是会调动“心智化”（Mentalizing）等高级认知能力，对接收到的信息进行真实性评估。只有被判定为“高可信度”的信息，才更有可能被转化为长时记忆并指导未来的行为。

“回想”是真实的金标准

在刻意传递的信息层面，如Fig 1右侧的“Language Content Cues”所示，最关键的判断依据是“回想”（Recollection）。研究表明，如果叙述中包含丰富的上下文细节（如时间、地点、感官体验），或者使用了“我记得……”（I remember）这类明确的元认知声明，听者往往会判定该记忆更为准确。这种富含细节的叙述，对应着分享者大脑中更活跃的提取过程，是记忆准确性的强力信号

声音里的“潜意识”信号

除了说什么，怎么说也很重要。Fig 1左侧的“Prosodic Cues”所示，这一过程往往更自动、更无意识。作者总结指出，语速较快、音量较大、音高较高的表达，通常与更高的记忆准确性和自信心相关。即便在剥离了语言内容的情况下（例如只听声音不看文字），人类依然能通过这些副语言特征对记忆的准确性做出高于随机水平的判断。

机器学习揭示人类评估盲点

人类的评估是否完美？如Fig 1底部所示，机器学习模型在这一框架中扮演了基准（Benchmark）的角色。通过训练NLP模型识别文本中的语言模式（如词袋模型），研究发现机器在判断记忆真伪上的表现往往与人类相当，甚至更少受到社会干扰（如从众心理）的影响。将人类决策与统计学上的“理想模型”进行对比，可以帮助科学家明确哪些线索在人类的“社交元记忆”中占据了主导地位，又有哪些有效线索被我们忽略了。