🔥 热搜 🔥
百度今日热点微信公众平台贴吧opggdnf私服百度贴吧知乎dnf公益服百度傻逼
分类
社会娱乐国际人权科技经济其它
🔥 热搜 🔥
百度今日热点微信公众平台贴吧opggdnf私服百度贴吧知乎dnf公益服百度傻逼
分类
社会娱乐国际人权科技经济其它
查看原文
其他

超越集体智能：集体适应性

Galesic等 集智俱乐部 2024-03-23


导语


这篇文章提出一个概念框架，用于研究复杂社会认知系统中的集体适应性，该框架由社会整合策略、社会环境和问题结构的动态交互驱动。文章超越了寻找“智能”集体的范畴，整合了来自不同学科的研究，并回答了诸如为什么集体有时无法达成看似能解决问题的方案，集体如何根据不同的问题改变策略，如何改变策略和网络结构以响应不同问题，以及我们如何预测并可能改变未来有害的社会轨迹。作者考虑了路径依赖、优化的不可能性和集体短视的重要性，以了解集体适应性产生的一些反直觉结果。最后文章呼吁进行跨学科、定量和有益于社会的社会科学研究，帮助我们了解日益变化和越来越复杂的社会，避免集体灾难，发挥我们在适应性集体中的组织能力。


关键词：集体智能，集体适应性，复杂社会认知系统，适应性景观，涌现

Mirta Galesic等 | 作者

刘志航 | 译者

刘培源 | 审校


论文题目：

Beyond collective intelligence: Collective adaptation 

论文链接： 

https://royalsocietypublishing.org/doi/10.1098/rsif.2022.0736



目录


一、引言二、集体适应的基石三、集体适应性的涌现四、集体适应性视角的意义五、研究集体适应性六、集体适应性框架中涌现的研究问题七、展望




一、引言




人类的生活普遍由集体构成，从小团体到大型组织，这些集体的规模和持久性各不相同 [1]。集体塑造个体认知、互动模式以及他们遇到和创造的问题结构，同时也受到个体的影响[2]。集体规模和复杂性的快速增长，可能会放大难以预测的社会威胁[3]，包括阴谋论的传播[4]、否认事实[5,6]、两极分化[7]和极端暴力主义[8]。

在这里，我们认为，为了理解这些现象并为其解决方案做出贡献，社会科学家必须更好地回答我们应该如何共同适应不断变化的世界。我们将这种集体适应性（collective adaptation）定义为复杂社会认知系统中社会整合策略、社会环境和问题结构的动态相互作用（图1和2）。集体在这些交互作用产生的不断变化的自适应景观（adaptive landscapes，指有不同环境和问题组成的集体决策背景）中导航，并根据当前的问题结构调整他们的策略和网络结构。随着新问题的出现并变得重要，集体适应性可能会采取非常不同甚至是出乎意料的轨迹。虽然集体可以很好地适应一组问题，但当景观变化时，他们的表现可能不如一开始没有适应的情况。例如，适应稳定环境条件的集体在突然变化后通常会失败[9]，而在小规模的“初创”环境下工作良好的团体，在需要升级为大型组织时通常会遇到困难[10]。

图1 集体适应性可以被视为一个复杂的社会认知系统的涌现属性，它由集体面临的社会整合策略、社会环境和问题结构的动态交互驱动。当集体导航这些交互作用的复杂自适应景观时，他们会采取不同的轨迹。系统的组成部分完全交织在一起，但每个部分在相对孤立的学科中进行了研究，而现有的集体动力学模型很少包括所有组成部分。结合不同学科的相关发现和方法（专栏1）对于理解集体适应性、避免并行的研究（专栏2）以及构建能够回答关于人类社会性重要的未解理论和实际问题的定量模型至关重要。
图2 集体适应性的简化示例，其中集体“漂浮”在由可能的社会整合策略、社会网络和问题结构定义的自适应景观上。随着时间的推移，景观发生变化：不同的问题出现并变得更重要（或不重要）。集体适应于一组最适合当前面临的问题的策略和网络。当新的景观需要一个非常不同的策略和网络集时，适应可能需要更长时间，而与以前的适应情况截然不同。

这种适应方法超越了当前对集体表现的关注，即评估具有特定社会整合策略和网络结构的集体表现，并且通常在静态的收益景观中一次解决一个问题。例如，“集体智能”、“智慧”或“群体的疯狂”这样的短语所代表的评估方法，侧重于使用特定的策略或网络结构对群体进行划分，根据他们能够解决的不同任务的数量，或在特定任务上的准确性来评估他们是否聪明[11,12]。然而，在许多实际复杂情况下，最优解可能很难或不可能定义[13,14]，也没有固定集体应该收敛的吸引子。相反，集体通常同时处理许多问题，每个问题都需要不同的策略和网络结构。适应景观及其结果的吸引子随着时间的推移而发生变化，因为新的问题会内生和外生地出现。正如Gupta 和 Woolley 所指出的那样[15]，重要的不是优化任何特定任务的表现，而是了解集体适应不同任务和语境的过程。

我们的呼吁在集体层面上回应赫伯特· 西蒙（Herbert Simon）早期的个体层面的呼吁，即超越在相对简单、静态的问题情境中研究理性思考的结果[16,17]。我们建议朝着更好地理解多尺度、动态变化的交互作用的方向前进，这些交互作用可以推动集体轨迹朝着有时出乎意料的方向发展。我们的方法建立在社会和生态合理性[18,19]的基础上，更进一步研究复杂认知社会系统中的变化和适应过程。

我们建立了一个概念框架，用于研究集体适应性，该框架综合了认知科学、社会学、进化人类学、生物学、经济学、组织科学、计算机科学和统计物理学等许多具有主题重叠的领域中相关知识（图1，专栏1和2）。该框架有助于理解集体适应性作为其组成部分（图2）在不同时间尺度（专栏3）上的动态交互的涌现。我们提供了一个有选择性的综述，涵盖了不同学科中获得的与不同组成部分及其相互作用相关的发现，并概述了几种建模方法，这些方法可以作为集体适应性的严格、定量研究的起点。我们讨论了概念框架的影响，并描述了通过这种视角可以调查的具有科学和社会意义的新型研究问题。

专栏1. 集体适应性的重叠视角

不同领域以不同的名称研究了集体适应性的不同方面：

集体智能。有时也称为“群体智能”（swarm intelligence），有着悠久的历史[20]，如今得到了广泛的研究。著名的定义包括“一群人以看似聪明的方式集体行动”[20]和“群体执行各种任务的一般能力”[12]。最近，研究人员已经确定了不同的集体过程，这些过程构成了集体智能的基础，例如交互记忆、注意力和推理系统[15]和技能一致性[21]，这些过程为群体提供了更好地将个体能力转化为集体表现的能力[22]。集体智能在组织科学[23–25]、认知科学[11,26–28]、商业[29,30]、知识资本管理[31]和危机管理[32,33]等领域得到了广泛的研究。这种方法也是统计学和计算机科学中利用集成的力量[34]，和分布式计算[35]的努力的基础。集体智能的出现已经使用了来自不同领域的类比，从统计物理学[36]到神经科学[37]。

社会学习（social learning）。人类和其他动物经常从其他个体中学习[38–40]。这可以比非社会学习更低成本，获得有关各种任务解决方案的有价值信息，从寻找食物和配偶到解决复杂的技术和社会问题。社会学习文献中描述的许多策略也被应用在集体问题解决，以及群体决策制定的文献中[39–41]。另一个相关的文献是关于接受建议的研究[42,43]，研究人员调查人们在何种情况下选择听从建议，遵循自己的想法，或者在两者之间做出决策。

集体解决问题。行为生态学和进化人类学的大量文献研究了人类和其他动物如何积累单个个体无法获得的信息。例如，相对简单的移动规则使群体成员可以达成关于移动的时空方向的一致意见[44]；不掌握信息的个体可以成功地被引导到新的食源或朝正确的方向迁徙[45]；集体移动可以平均化群体中个体的偏好[46]，并允许群体对个体无法单独感知的环境梯度（environmental gradients）做出反应[47]，在这两种情况下提高了决策结果的质量，而群体中的动物可以发现个体无法发现的新路线[48]。当这种集体生成的知识保留在个体层面上时，在生物学中被称为“集体学习”，代表了社会学习的一种涌现形式[49]。在认知科学中，集体问题解决已经在决策体验模型和探索——开发权衡方面进行了建模和实验研究[50,51]。

群体决策制定。这个广泛研究的领域涉及心理学、管理和应用数学[54]，为相互作用的群体提供了各种理论和发现，从研究群体决策制定算法[55–58]到信息交流的价值[59]。群体决策制定也在生物学中得到了广泛的研究[60]。

群体智慧（wisdom of crowds）。多个个体的综合判断何时以及为什么会胜过平均水平？这个问题与集体解决问题和群体决策制定的文献中提出的问题密切相关。对群体智慧现象的研究范围从孔多塞（Condorcet）[61]和高尔顿（Galton）[62]的早期开创性论文，到判断和决策制定的最新研究[63]，涵盖了认知心理学[64]、政治科学[65]、预测[66]、经济学[67]、法律[68]、社会学[69]和生物学[70]。研究的主题包括专家的价值[71–73]、多样性[63,74]和自适应网络结构[75]。

博弈论。这个非常广泛的领域中开发的工具和见解与集体适应性具有相关性。特别是，进化博弈论是一个可以用来模拟社会整合策略和网络，如何随着时间适应任务环境的框架[76,77]，以及如何根据多层网络结构来决定进化博弈结果的模型[78]。另一个提供了一个好的起点来开始理解集体适应性的博弈理论视角，是解决社会困境和集体行动问题的博弈论模型[79,80]。例如，Gonzalez 等人[50]使用囚徒困境来推进决策体验的认知理论从个体到双人组的发展，Moreira 等人[81]展示了社交网络和集体问题是如何共同进化的。

群体思维。我们不仅在群体中处理信息，而且群体本身是一个丰富的信息处理系统，通常比其部分的总和要大得多[82]。例如，关于交互式记忆的工作研究了信息在群体内部的存储和流动，增强了群体在复杂问题解决任务中可以存储和利用的信息量[83,84]。

信念动力学。各种学科一直在研究信念随时间和在社交网络中的变化，发展了许多信念动力学的分析和计算模型[85–90]。这些模型可以帮助理解为什么在某些社会中，新的信念（如关于气候变化或疫苗的意见）比在其他社会中更快地传播，有时导致极化，有时形成共识，并偶尔导致反弹效应。

进化人类学。一些方法使用明确的进化模型来研究集体行为和变化，通常是在理论层面和较长的时间范围内。研究者们采取了一些不同的观点。例如，文化进化论利用与达尔文进化论的类比来研究文化的变化[91]，以及人类社会的变化是如何积累和相互促进的[92]。社会学习机制是文化进化的一个基本要素，研究各种形式的社会学习一直是该领域的理论和经验重点[93]。行为生态学的重点是分析不同行为和文化习俗的适应效益。假设人类和其他动物的目的是使他们的适应效果最大化，而适应效果可以有不同的定义，这一领域的研究旨在了解特定的社会生态环境如何导致不同类型的行为，包括不同的交配和养育策略，合作和竞争策略等[94]。文化生态位（Cultural niche）建设旨在解释人们如何调整其社会网络和机构的组成，以促进有益的集体行为，如合作[95,96]。

许多其他文献都与理解集体适应性有关，但由于篇幅限制，我们无法在此详细描述这些文献。这些文献包括但不限于人群心理学[97]、集体行为[98]、社会传染[99]、信息级联[100]、社会扩散[101,102]、羊群行为[103]、社会选择[104]、预测[105]、陪审团决定[106]和同侪生产[107]。

专栏2. 并行研究

由于集体适应性的不同方面在相对孤立的学科中进行研究，因此基本概念和原则经常被重新发现。

频率依赖的社会整合策略。在过去几个世纪里，许多学科已经研究了频率依赖的社会整合策略，从早期的政治科学[108,109]、统计学[110]、心理学（从众现象[111]）到经济学[112]、法律[113]、组织科学[114]、文化进化[115]、动物学习[116]、计算机科学[117]、统计物理学[118]、生物学[119]和社会学[85]。例如，“复杂传染”模型被认为在许多情况下比“简单传染”更合适，可以被视为在其它学科中以不同名称研究的频率依赖规则[120]。

多数原则。尽管每个学科都提供了有用的见解，但一些基本的统计规律已经被重新发现了多次。孔多塞在1785年已经描述了其中一个规律：使用多数原则的群体可以超越任何单个成员，在找到正确选项方面，群体的准确性随着群体大小的增加而增加。这可以被表示为一种累积概率过程，如[121]和[122]所描述；参见[123]。然而，这项工作在社会科学中大部分被遗忘，直到二十世纪下半叶[124]，当相同的群体大小和准确性关系在文化进化[115]、心理学[57]、社会学[85]、生物学[119]和信念动力学的统计物理学中被重新发现。此外，更具反直觉的发现，例如在具有离散选项的任务中，小团队在某些情况下可以比大团队表现更好，也在政治学[124]、生物学[125]和认知科学[11]中独立获得。

信念动力学。同样，信念形成、变化和传播的研究在社会和认知心理学、进化人类学、政治科学、社会学和计算社会科学、经济学、哲学和逻辑、统计物理学和计算机科学等不同学科中独立进行（例如[90,126-132]）。其中一些学科更关注信念动力学背后的社会学习过程，另一些则关注动态发生的社交网络结构；一些学科研究更为定性的模型，而另一些则更为定量；有些采用经验研究，而其他则专注于理论。从不同的角度研究了一些相同的结果，如共识、极化、分裂和狂热，但没有一个学科能够完全理解产生信念动力学的底层复杂社会认知系统的全貌。

网络效应。不同学科的并行研究也可以为我们提供创新的新见解。例如，社交网络结构及其对个体和集体结果的影响已经在社会学和社会心理学中研究了很长时间。随着在社交网络上测量和建模各种现象的便捷性增加，来自其他学科的研究人员（如统计物理学和计算机科学）做出了许多额外的贡献，重新审视了由于同质性而导致的偏见，如虚假共识[133,134]，描述了友谊悖论的新含义[135,136]，并扩展了小世界和分离度的工作[137,138]。

专栏3. 集体适应性的时间尺度

集体适应性可以在进化、历史和同时性的时间尺度上涌现。在进化时间中，人类和其他动物的集体已经进化出适应性，使其能够快速应对威胁生命的情况。例如，许多动物集体可以通过相对简单的对齐规则检测和应对捕食者，这些规则可能部分地作为对捕食威胁的一种反应而进化出来[139]。人类集体在面对真实或感知到的群体威胁时，也表现出相当普遍的认知处理和网络结构变化，包括快速的信念和行为协调、对内部成员的增加的无私倾向以及更倾向于跟随一个群体领袖而不是独立探索可能的解决方案[140,141]，这在我们进化史上面对真实的外群体威胁时可能是适应性的，因为他们对我们产生了很强的选择压力[142]。

在历史时间中，人类集体通过非正式和正式的制度、社会规范和文化艺术品适应着持续的社会问题，这些制度、规范和艺术品为适应不同的生活情境和领域提供了社会一体化策略、网络结构和问题表征的默认值[96]。许多社会已经发展出了管理公共物品、解决冲突和遏制暴力、调节配偶选择、选举领导人和调节私有财产的机构和组织[143]。文化和组织规范对个体成员的沟通和决策方式施加了进一步的限制。例如，一些社会更容易遵循已经建立的领导者的意见，而另一些则更容易建立共识[144]。一些集体保持着社会中所有成员之间的开放通信，而另一些则禁止某些社会部分之间的通信（不同的种姓或性别）。从直接民主到选举团体到专制主义的投票制度限制了个体参与集体决策的程度。而社会艺术品从词汇和数字系统到故事和纪念碑，可以强烈地影响一个社会是否认为某些事情有问题以及它如何表示可能的解决方案。

最终，集体以同时性地探索可能的路径，通常从进化和历史默认开始，但也通过推理、学习和创新在个人和集体寿命中不断地理解当前情况和可能的解决方案机会。从组织科学和群体智慧到集体智能和动物学习的大部分集体适应性研究都研究了群体如何探索任务景观并决定最佳前进方式。同时性时间尺度是本综述的重点。




二、集体适应的基石



在我们的框架中，集体被表示为复杂的自适应社会认知系统[145]，他们不断地根据不同的问题调整自身和其环境。这样的复杂系统不能简化为一组个体组成的部分，他们是完全交织在一起，展现了 Wimsatt[146]所说的相互作用复杂性。然而，这些系统的许多方面——社会整合策略、社会网络、问题结构和适应过程——在不同的科学领域中被分别研究并独立发展（图1，专栏1和2）。因此，在综合不同学科的视角之前，先逐个回顾所知道的每个方面，再将他们综合为一个产生集体适应性的社会认知系统，是很有用的。

（一）社会整合策略

集体成员通常有不同的信念，包括对世界状态的不同假设（例如，疫苗是否安全）、对道德和政治问题的不同看法（例如，堕胎是否是个人选择的问题）、对不同问题的评价（例如，某个政治家是否值得信任）、偏好（例如，不同应对气候变化的方式之间）和目标（例如，增加自己的财富和声望）。为了了解社交世界、理解当前的社交规范、预测他人的行动并做出决策，个人和集体使用不同的社会整合策略，或者说是旨在整合社交环境中有关信、行为和意图的信息的认知和社会算法[39–41,147,148]。这些策略构成了个体认知和社交网络之间的接口，为选择和实施其他社交认知策略提供所需的信息，从协调[149,150]、合作[151,152] 和探索[52,53] 到网络建立和修订[153]。这些策略可以单独学习，受遗传、发育和文化的影响程度不同，并且可以有意识地使用或不经意地使用。

社会整合策略在不同领域中被研究并命名为不同的名称：社会学习策略（在心理学、文化进化和行为生态学中）、信念更新策略（在经济学、社会学、计算社会科学和统计物理学中）、群体决策规则（在心理学和组织科学中）、投票程序（在政治学和法律中）和聚合程序（在计算机科学中）。尽管名称不同，但大多数这些社会整合策略都属于几个基本类别，他们共享共同的原则、信息需求和统计属性。这些共性通常在不同学科之间没有被认识到，导致有时效率低下的并行研究（专栏2）。尽管这些策略中的许多可以被建模为贝叶斯学习[154,155] 或强化学习[156,157] 更一般的过程的实例，但识别这些类别是有启发性的。

一个大类包括频率依赖策略，根据持有特定信念的人数或比例来更新信念和做出决策。著名的例子有多数派、一致性和少数派策略。这些研究表明，根据做出决策的门槛，频率依赖策略显示出不同的信念动力学[128] 和文化多样性[158]，并且对个体信念准确性和共识形成有不同的后果[57,159,160]。

第二类包括平均策略，其中关于他人信念和行为的信息被平均，可以使用不同的权重进行加权平均，也可以不加权[62,101,131]。经常研究的意见采纳策略，包括在自己和他人的信念之间妥协、保持自己的信念或采纳另一个人的信念，可以看作是具有不同权重的平均规则[43,155]。许多其他规则在长期内（随着时间的推移）本质上也是平均规则，例如统计物理学中的选民规则和伊辛模型[128]、文化演化中的混合遗传[115] 和信念动力学的流行规则[161]。

第三类用于信念更新的社会整合策略包括基于模型的策略，该策略使用观察到的模型主体的不同属性，例如他们在特定任务或整体上的成功、他们的专业知识、官方排名、声望、亲密度、相似性或表达的信心[40]。与前两类策略不同，这些策略将大部分可用模型赋予零权重，并专注于一些在给定问题中似乎最适合的模型。虽然原则上，这些模型也可以被操作化为加权平均策略，其中除一个或几个模型外，所有其他模型都具有零权重，但它们背后的认知假设是不同的。在平均策略中，样本中的每个人都可能至少受到一些关注，但在基于模型的策略中，大多数其他人甚至都没有被考虑。例如，有强有力的证据表明，人类和其他动物倾向于复制那些具有高社会地位[162]、受欢迎[163] 和与观察者相似的信念和行为的人。信心是模型的另一个重要属性：自信的目击证人证言会受到陪审团成员的更高权重[165]，自信的人更有影响力和被信任[166]。

来自不同类别的整合策略可以结合使用，例如当不同类别的策略用于在社交联系中进行抽样时（例如通过相似性；[75,167]）和从样本中整合信息时（例如通过基于频率或基于模型的策略；[168]）。此外，个体可以使用不同的基于状态的策略[40]，包括对自己判断的信心[169] 和个人信息的数量[170]，以决定是否首先使用社交信息。

（二）社交环境

社交环境可以被概念化为社交网络，以及人类社会为了沟通和合作而发展的各种社交工具，包括各种语言和书写系统、从面对面到社交媒体的交流方式、口头传统、社会知识的物理记录，从书籍和视频到纪念碑和艺术，以及各种无形和有形的机构，从文化规范到法律[80,163]。虽然所有这些工具的描述超出了本综述的范围，但他们为集体如何沟通和适应提供了重要的机会和限制。例如，整体社会背景可能会影响其他人是否会真实地或带有一些隐藏偏见地表达他们的意见，这在竞争环境和在多元族群中重要的分类时经常发生[171]。

社交环境的不同方面可以通过影响哪些社交整合策略更成功，支持或抑制接受特定信息，以及支持或抑制不同适应性反应的传播来影响集体适应性。反过来，社交环境不断变化以响应当前问题的需求、与社交联系的过去经验以及自身社交认知策略[75]。集体可以选择根据他们的人口统计数据、专业知识、信心、过去的合作行为、被视为内部群体成员还是外部群体成员或其他因素，选择性地包括或排除成员[172,173]。

在这里，我们重点关注社交网络，被概念化为产生与特定问题相关或至少可用的社交信息的其他个体的集合。社交网络的许多特征已经被研究，其它优秀的综述文章也已存在（例如[153,174]）。我们只提到四个特别关键的因素，这些因素似乎特别影响集体适应性的过程。

一个因素是知觉和实际社交网络之间的差异。虽然社交网络的一部分可以通过使用有关谁与谁会见面和交谈的数据进行“客观”测量，但最终解释社交环境如何影响信念和行为的关键是，这些环境在个人心智中主观地表示的方式[175]。对于给定问题对于特定集体实际上相关的社交互动将取决于人们在当时注意到什么，他们的过去经验和整体社交背景[176]。不同的人可能会以不同的方式体验相同的社交网络结构，这取决于他们喜欢的社交联系人的程度[177,178]，以及他们是否将其他人视为他们的群体的成员或外部人[179]。同样，当被指示将其团队视为更相互依赖，并且更多或更少地关注他人的解决方案时，具有相同客观网络结构的团队的表现有时会更好或更差[50,180]。

另一个重要的考虑因素是社交网络的规模和连接性，因为这些属性影响人们可以获得的社交样本的大小和组成[181]。尽管较大的群体通常支持更大的创新和文化复杂性[182,183]，但有时较小的群体可以做出更好的决策并更具有韧 性[70,184]，而较不良好连接的网络可以促进复杂问题和真相发现的集体表现[185-188]。成员之间在收益和共享信息方面的相互依赖性进一步影响集体表现和合作[25,50,180,189,190]。节点中心性等措施预测信息在社会中的传播[191]。

第三个重要的考虑因素是同质性，即人们通常被类似的其他人所包围[192]，因为有自我选择、相互影响和/或共同情况等原因。这影响人们从社交环境中接收的样本，并可能产生表面认知偏差，例如虚假共识或虚假独特性[194]。由于他们的社交环境中的同质性，特别是如果他们正在使用基于频率的整合社交信息的策略，人们有时会认为他们当前的现状是正常的，并且难以改变[195]，可能会尝试适应感知的规范[196]，或不太愿意支持会改变情况的政策[197]。同质性对于合作和集体行动的出现也很重要[198,199]。

我们强调的最后一个考虑因素是“友谊悖论”（the friendship paradox），即一个人的社交联系人平均上比自己更加联通（参考文献[135,  200,  201]）。因此，一个人的社交联系人更有可能被观察和复制，将自己的信念和行为传播给其他人，同时也会受到新的传染趋势的影响。这种现象既强化了使用自己的社交联系人作为早期社交信号的价值，也触发了一个反馈循环，即复制这些有效信号会加强社交联系人对未来趋势的影响。

尽管社交网络显然很重要，但不同的学科在明确包含网络结构的群体行为模型方面存在差异。虽然社交网络研究有着悠久而富有成果的传统（参考文献[153,  202,  203]），但在心理学和行为经济学中，由于实验室实验的限制，研究通常集中在小型、完全连接的群体上，或者使用描述（例如生动的插图）而不是直接与社交环境进行交互[204]。在文化进化中，网络通常被概念化为传递信息的不同路径，但直到最近才被纳入正式模型[183,  205]。相反，研究人员更广泛地使用年龄作为构建人口的特征，并将父母对子女的传递称为“垂直”传递，同龄人之间的传递称为“水平”传递，不涉及父母和子女的代际传递称为“斜向”传递[206]。人们的学习对象随着他们的一生而变化：儿童很可能从父母和看护者那里学习，而青少年和成年人则更可能从同龄人和专家那里学习[207-209]。这些学科差异最近正在与快速发展的计算社会科学领域相融合，在这个领域，跨学科团队研究了许多复杂和适应性网络结构中的各种过程，包括基于人类参与者的网络研究和计算模型[210]。

（三）问题结构

集体和其中的个体在任何时候都面临着多个问题，包括避免各种危险、开发技术解决方案以及组织和协调社会关系。这些问题既可以从外部环境中产生，也可以从整合策略和社会环境的共同进化中产生，以应对过去的问题。例如，现代通信技术已经实现了新的整合策略（例如各种评级系统）和社交网络（更大更易变），加快了有用信息的交流。与此同时，这些解决方案也成为许多新兴问题的源头，例如误导和虚假信息的传播、信息茧房的形成和极化。解决这些问题的尝试涉及发明新的策略和网络结构，这反过来又可能导致更多的问题。

完整地描述可能的问题结构需要完全表示我们周围的世界，这是不可能的。然而，区分需要不同社交整合策略和社交网络的问题结构是有用的，特别是因为许多现有的论文仅关注单个问题。我们提供了三个这样的重要区分的例子，这些例子显示了在同一研究中比较多种问题类型的重要性。其中一个区分是涉及分类与连续判断的问题。在政治学中，集体决策通常在涉及两个或多个离散选项的任务中进行研究，例如投票给不同的候选人[108]。相比之下，在心理学、经济学和其他学科的“群体智慧”文献中，通常使用涉及连续判断的任务，例如猜测一头牛的重量或未来的通货膨胀率[211]。人们通常认为“群体智慧”的研究结果也适用于离散选择，但虽然对于某些结果是正确的（例如，群体多样性通常对于两种类型的任务都有益处，[159]），但对于其他结果则不是（例如，较大的群体总是表现优异于较小的群体[124]）。

另一个重要的区别是简单和复杂的任务景观。在组织科学和人类学以及最近的经济学和认知科学中，研究人员经常研究解决方案空间类似崎岖景观的问题：局部最大值可能会使人偏离问题空间中其它更好的解决方案[212,213]。这很重要，因为涉及简单收益景观和一个主导解决方案的任务受益于高度互联的社交网络和快速的社交学习规则。相比之下，涉及许多局部最优解的崎岖景观的任务可以从更慢的网络和更多的个体探索与社交学习中受益[167,168,185,187,214,215]。

第三个区别是一次性和重复性问题。在大多数学科中，集体绩效是在一次性问题中研究的。然而，大多数问题随着时间的推移而揭示出来，不同选项的回报随着不同的时间尺度更或少预测性地改变。动态决策制定领域，即认知科学的一个子学科，专注于这些类型的任务，例如表明记忆较短且复制策略较嘈杂的个人和团体在不断变化的环境中随着时间的推移可以更成功[50,51]。其它重要的区别包括奖励的分配方式[80]、相关信息的分配[216]、可预测性[217]和环境变化的速度[218]。

除了具体任务的特性外，问题结构还由全球环境的更一般的特性定义，这些特性限制了可能策略、网络和任务的类型和有用性。经济和政治因素以及文化和普遍社会规范都是这些全球环境约束的重要来源。例如，一些文化推广使用频率依赖的整合策略，如多数规则，而其它文化可能更喜欢遵循特定的个人。在其它文化中，社交网络不能排除某些性别或族裔的某些问题。而在另外一些文化中，问题结构不包括在其他地方可能被认为的解决方案，例如限制言论自由或拥有武器的权利。




三、集体适应性的涌现



现在我们准备将社交整合策略、社交网络和问题结构综合成一个复杂的自适应系统，其中这些组成部分动态相互作用和调整。我们可以在一个简化的整合策略、网络和问题的空间中可视化这个集体适应过程，它们随着时间相互演化和响应（图2）。

在图2的漫画例子中，一个集体面临三个问题，每个问题都最好通过不同的整合策略和网络结构组合来解决（如问题在景观上的位置所示）。解决不同问题的潜在回报（自适应景观）在每个时间点都会发生变化。图2中的time1对大多数集体成员最为重要，解决它将使集体达到自适应景观的峰值。因此，集体往往会调整其整合策略和网络结构，以使在问题1上表现良好，即使这种调整会损害在其他两个问题上的表现。例如，一个集体可能专注于开发复杂技术，并且可能从相对宽松的网络结构中受益，偶尔交换信息以找到当前最佳的解决方案[187]。在time2 时刻，潜在的自适应景观已经发生了变化，可能是由于外部环境变化或内生动力学，问题2现在变得最为重要。集体将个人整合策略和网络结构调整为那些增强问题2表现的组合。例如，另一组可能会攻击集体，现在集体必须适应快速动员和对少数领导者的坚定服从。这个问题通常受益于一个具有层次结构的凝聚社会，它可以实现信息和指令的快速传输[219]。在图2的time3中，景观再次改变，问题3成为最重要的问题，例如，调整以适应气候突然变化。现在，集体需要适应一个相当遥远的网络结构和整合策略集，使得强大的本地合作和全球协调都成为可能。随着时间的推移，集体在这个空间中“漂浮”，取决于其成员面临的当前问题结构，以及可用的整合策略和网络结构。类似的情景可以想象不同规模和目的的集体，从家庭到团队和组织，再到国家，不同时间尺度上的自适应变化可能会发生（第三节）。

当然，在现实中，这个自适应景观是高维的和不断变化的。虽然在图2中的卡通例子中，我们将整合策略和网络结构分别沿着单个维度变化，但实际上，策略和网络的差异在许多维度上。在这个高维空间中，可能不需要通过“低适应度的山谷”来达到更适应的状态。相反，集体可以利用“适应度山脊”以从一个适应峰移动到另一个适应峰[220,221]。此外，由于内生动力学和外部因素，自适应景观不断变化，因此更像“海景”[222]。尽管如此，景观比喻可以是思考集体适应性的有用起点，前提是我们意识到其局限性[223,224]。即使集体不需要陷入景观（或海景）的任何部分，这个比喻使人们清楚地认识到，了解集体的过去轨迹对于理解其适应（或缺乏适应）新情况至关重要。它还有助于理解集体适应性的其他相关方面，包括优化单个问题的不切实际性，集体短视和预防性探索的价值，我们接下来讨论。




四、集体适应性视角的意义



图2中的例子虽然大大简化，但有助于理解集体适应性视角的五个含义，这些含义将其与更传统的“集体智能”和“群体智慧”方法区别开来，这些方法关注的是特定任务中的集体表现。

（一）路径依赖

目前面临相同问题的集体可以在整合策略和社会环境空间中采取不同的轨迹，这取决于他们适应过去景观的历史。例如，一个具有强大中央政府的国家将采取不同的适应路径来适应流行病，而一个具有较弱和本地化政府结构的国家则不同。与更传统的集体智能方法不同，后者专注于找到在该空间中最适合特定问题的单个点，集体适应性视角允许理解为什么某些集体可能会更难适应新兴问题。他们的社会结构、信念系统和解决问题的策略可能已经适应于过去非常不同的挑战，向新的组合适应可能会很困难，因为个人和制度的惯性、缺乏相关的知识和技能以及重组的高成本。

（二）没有单一的“智能”维度

集体适应性的观点并不假设一个单一的潜在维度“集体智能”，来解释集体在许多任务中表现出优异的表现。相反，它允许解释集体表现中的相关性，是由最初不相关的整合策略和社会环境随着时间的推移而动态相互作用所导致的（类似于解释个体智力测试表现的相关性，是由随着时间推移而动态相互作用的个体内在过程所导致的；[225]）。因此，同样的测量水平的集体智力——在行为结果的相关分析中发现的一般潜在因素（例如[12]中的分析）——可能来自于不同的基础认知和社会过程组合的相互作用。具体的组合将取决于特定集体的历史轨迹。由于不断的适应，一个曾经是“聪明”的群体在某个时间点后可能变得不那么“聪明”（请参见第六节中的涌现的研究问题的示例）。

（三）没有单一问题的优化

目前的集体行为可能并不是为了在它面临的任何一个问题上表现出色而进行“优化”。相反，集体表现反映了个体和群体为在至少一些遇到的问题上表现出色而进行的尝试，不同的个体可能专注于不同的问题，可用的问题库、可用的策略和网络结构不断变化。因此，当按照一个似乎最重要的标准来判断时，集体可能会显得“陷入”次优的行为。例如，即使这些做法似乎总体上是有害的，集体仍然可能坚持环境破坏性的做法或种族歧视。实际上，这些集体和其中的个体可能在同时平衡多个问题，例如通过遵守现有社会规范和等级制度来维护系统稳定性和个人安全。

（四）集体的短视

对于一个特定问题而言，最适合的社会整合策略和网络组合对于习惯于解决非常不同问题的集体成员来说可能并不是显而易见或可用的。例如，尽管某种整合社会信息的策略（例如民主制、基于频率的策略，如遵循多数意见）可能是最适合于集体解决当今复杂问题的，但许多没有直接民主经验的社会往往难以建立和维护它。集体有时需要跨越次优的阶段，才能发现更好的组合，并且在适应阶段变得困难时，他们可能会倾向于回归到较旧、已知的组合。例如，有最近的威权主义制度经验的年轻民主国家可能会倾向于回到那些制度[226]。

（五）探索替代社会世界的好处

对于集体来说，探索可能的策略、网络和问题结构是有益的，这样当环境发生变化时，集体可以更快地朝着正确的方向适应。这可能是人类（无论是个体还是集体）经常从事看似没有特定目标的行为的原因之一，例如各种社交游戏和各种形式的叙事（从神话和史诗到戏剧和电影），既旨在描述当前世界，也旨在探索假想的替代世界。除了其他好处外，这些活动还可以探索可能解决方案的空间，排演集体对不同情况的响应，从而使集体在快速、重大变化时能够更快地适应。




五、研究集体适应性



（一）现有关于组成部分相互作用的发现

不同的、大部分相互独立的文献中都记录了集体适应性组成部分之间的许多相互作用。为了促进这些知识在我们的整体框架中的跨学科整合，我们回顾了它们的二元和三元交互模式的发现。集体适应性的进一步研究可以建立在这些现有的发现上。本节中的每个发现都可以看作是集体必须导航的复杂景观上的一个点。进一步研究的一个主要问题是理解和建模集体如何在这些不同的点之间移动。

1. 社会整合策略和问题结构的相互作用

人们可以灵活地适应特定任务的整合策略[40]。人类和其他动物表现出灵活性的连续性，从对发育信号的灵活切换（例如怀孕时社交学习以避免非社交学习的风险，或者在早期发育环境中通过同伴而不是父母学习）和社交网络位置[227]，到社会学习的个体学习（例如通过强化学习发现复制他人的特定问题有益）和社会学习的社会学习（从他人学习如何从他人学习；[228]），这可能导致社会学习策略的使用在文化上的变化[229,230]。特定任务中的奖励经验可以促进更多或更少的社会学习，随着集体问题解决的早期阶段和回报的下降，个体探索更为突出，而在后期和回报较好时，利用以前的解决方案更有可能[37,231-233]。反过来，这影响个体和集体在快速变化的环境中的表现，在这种环境下，个体探索比复制过去的解决方案更有用[51]。认知也可以适应于我们进化历史中特别重要的某些任务，使得某些概念在群体中更容易学习和传播[234-237]。例如，包含生存、社交或情感信息的城市传说或闲话比不含这些信息的传播得更好[238,239]。

虽然社会整合策略可以根据任务进行适应，但对于所有集体或集体中的所有个体来说，针对给定任务的最佳策略可能并不可用，因为存在历史和文化的限制。例如，组织和政府可能被设计为以一种特定的方式整合信息（例如通过一组更或更少民主的制度结构），这可能很难改变。这种根深蒂固的整合规则可能会导致自身制造的问题。例如，一个决策由中央权力做出的组织可能会发现，在需要多样化意见的问题上很难处理。一个面临需要集体行动的问题但其决策结构强调个体和少数权利的社会可能会发现很难建立解决问题所需的共识。

2. 社会整合策略和社交环境的相互作用

社交网络结构和不同的整合策略之间的相互作用可以显著改变信念传播和集体适应性的动力学[240]。例如，不同合作策略[241]和社交学习策略[242]的适应度高度依赖于人群中竞争策略的分布。产生个体解决方案高方差的推理策略在群体使用时比个体独自使用时表现更好[217]。一般来说，解决方案的多样性有利于促进集体表现[74,243]。整合策略和社交环境互相作用，因此在更连接的网络中，依赖于较少社交学习的策略表现更好，而在较不连接的网络中，依赖于更多社交学习的策略表现更好[167,214,244]。

与社交整合策略相比，社交网络可能更难改变，因为受到物理基础设施、文化和历史原因以及家庭和财务联系的影响。集体可能被困在特定的网络结构中，这可能使解决新问题变得困难。同时，集体可能会经历来自外部的网络结构压力，从废除或建立隔离法律到社交媒体技术的增长。这些变化可能需要新的社交整合策略，例如学习新的元认知线索以识别来自新社交环境的真假信息[245]，并适当判断线索，例如置信度[244,246]或过去的表现[155]，以决定要多少考虑他人的意见[247]。

3. 社交环境和问题结构的相互作用

对于复杂的任务，信息传播缓慢的稀疏社交网络通常会导致更好的集体决策[185,187]，而对于较简单的任务，互相连接的网络表现更好。在做出一系列分类决策时，较小的群体可能比较大的群体更准确[11,70,125]，但在做出准确的连续判断方面，大型群体通常比较小的群体表现更好[74]。相互作用的群体可以在需要汇集未共享知识的任务上取得更好的结果[59]。虽然问题可以塑造网络，但社交网络的变化反过来也可能带来一系列新的意想不到的问题[3]，从错误信息和极化到冲突和无法解决集体问题。

4. 社交整合策略、社交环境和问题结构的相互作用

除了迄今为止描述的二元交互作用之外，所有三个组成部分之间互相交互和调整。例如，针对外部威胁或增加的不确定性等问题，集体可能会从民主转向更加威权主义的整合策略，同时收紧网络以清除被认为是侵入者并加速信息流[248,249]。反过来，集体面临的问题可能会出现并改变，具体取决于在特定社会中激励的整合策略和网络结构[96]。例如，意见的极化增加可能导致社交网络的分裂和社交信任的降低，从而引发与管理共同资源（如气候）相关的问题[250]和解决集体问题（如大流行病）[251]。社交环境和问题结构还与塑造整合策略的有效性互相作用[252]。为了决定在不同的社交和问题背景下使用哪种策略，个人和群体使用关于自己和他人过去和可能的未来表现的元认知线索[247,253]。其中一种线索可以是不同组成员的响应速度：那些具有更好个体信息的人很可能会先做出反应，使其他人可以从他们社交学习，这在错误成本高或群体情况竞争时特别有优势[170]。策略选择也可能受到文化规范（例如，在某些社会中，遵循权威人士可能更有价值，而在其他社会中，基于频率依赖或平均策略的共识决策可能更有价值）、网络属性（例如，大多数规则等策略需要比如跟随领导这样的一些基于模型的策略更互连的网络[254]）和任务特征（例如，找到快速共同可接受的解决方案或找到最佳可能的解决方案更重要；[214]）的影响。

（二）有前途的建模方法

我们如何超越口头解释，以严谨的方式建模集体如何在整合策略、社会环境和问题结构的复杂自适应景观中导航？理想情况下，集体适应性模型应尽可能简单，以便理解并激发进一步的理论发展，即使它们是错误的（最终所有模型都是如此）。例如，景观类比和相关模型显然忽略了集体适应性的一些重要方面，但这些错误易于理解，并可以阐明需要更多理论化的方面。更为难懂和复杂的模型可能更准确，但不利于进一步洞见的发展。对于如集体适应性这样的复杂社会现象，没有一个最好的模型或类比——每个类比都会有限制和相关的概念集[224,255]。因此，探索许多不同的类比和建模技术，并比较它们对真实世界现象的预测是很有成果的。

此外，集体适应性模型应该在数学或计算机中实现，并产生未来个体和集体趋势的定量预测。除了数学模型外，系统动力学模型可用于更好地理解集体适应性的不同构建块之间的关系和反馈环路[256-258]。基于主体的模型允许在不同的社会环境和问题结构中嵌入个体的多样化整合策略的实施[86,152,259-262]。计算模型应受到有关人类认知和社交的理论和证据的启发和限制。

理想情况下，模型应能够描述和预测不同情境下的集体表现，通过找到可以比较不同任务、策略和网络结构的维度（例如任务复杂度、策略类别、网络大小和互联性）来实现。模型还可以超越仅仅表现，并尝试预测集体适应性能力。在大多数现实世界的情况下，集体需要在不断变化的环境中同时处理几个不同的任务。因此，适应性可能更好地表达为对问题结构、策略和社会环境的变化进行预测、应对和/或重新组织的能力[263]，或更广泛地作为社交韧性的版本[264,265]。

最后，由于所有模型都至少部分错误，因此必须不断测试它们的假设和预测在现实情况下的表现。必须比较可以预测相似趋势的不同模型，并探索它们何时以及为什么会做出合理的预测以及何时失败。幸运的是，科学家们从未像今天这样拥有有关人类认知和社交不同方面的如此多的经验数据。现在更容易从群体实验和观察研究[266]、历史和考古数据、民族志数据、移动电话数据[267]和其他感知方法[268]、纵向调查[269,270]以及大型文本语料库和人类交互的其他副产品（例如[271,272]）中获取数据，以研究集体适应性。

虽然描述不同的建模范式超出了本文的范围，但在这里，我们提到了几种建模范式，这些范式是开发集体适应性模型的良好候选者。

1. 进化模型

集体适应性的视角本质上是动态和进化的。这并不意味着它关注集体行为的基因或生物学根源，只是关注集体系统如何应对内生和外生的压力和冲击。适应性不需要涉及生物繁殖，可以基于社会传播，发生在从瞬间到多代的时间尺度上[247,273,274]。进化可以用作类比来帮助模拟集体在其历史、当前认知和社交能力以及瞬时关注的问题结构下采用不同的社会整合策略[91,115,116,206,275]。进化模型可以帮助揭示自私的个体如何导致有效的群体水平的集体响应，而这些模型通常缺乏的一个方面是网络结构，特别是在现实世界中发生的复杂结构。最近的建模工作已经开始研究网络结构和整合策略的共同进化[205,278]、通才或专才问题环境[279]和合作[280]。

2. 贝叶斯推理

虽然完全的贝叶斯社会认知模型计算量太大，无法成为认知上可信的，但这个类比可以用来理解现有的社会整合启发式方法，并开发出新的启发式方法，这些方法类似于探索和开发之间的最佳平衡[154,155]。例如，使用汤普森抽样的最优决策数学模型已成功地对具有不同通信约束的合作多臂老虎机问题进行建模[281,282]。为了用于研究集体适应性，这些模型可以扩展到更复杂和同时冲突的问题，以及其他网络结构。

3. 统计物理学

人们还可以使用统计物理学中研究的粒子系统来模拟集体适应性。基于统计物理学框架的模型通常涉及一个特定方式连接的主体集合，这些主体可以根据指定的规则选择不同的状态。统计物理学模型可以包含心理学概念[87,283–285]，如认知失调（能量）、不确定性或注意力不足（温度）、网络的主观表示（链接）和信念整合策略（更新规则）。其他物理类比已被用于研究集体适应性，例如渗流[286]、扩散[287]、蒙特卡罗方法[288]和量子物理学[289]。在许多集体适应性模型中成功使用的相关类比是流行病学[290,291]，特别是在信念动力学方面。为了适用于研究集体适应性，这些模型应该包括机制（元级策略），用于在问题环境发生变化时在整合规则和网络结构之间切换。

4. 模拟集体适应性的新范式

因为集体适应性涉及认知、社交环境和问题结构的相互作用，所以对其进行建模可能需要连接多个框架，每个框架对于特定的组成部分或时间尺度都是有用的。一个例子是 Tump 等人[170]将个体和社会学习的漂移扩散认知模型与进化过程相结合，选择最适合不同成本误差的问题和群体结构的漂移扩散模型参数。另一个例子是 Cooney 等人[292]研究社会性演化的模型，结合了流行病学模型、复制者方程和自适应动力学模型，研究不同时间尺度上的演化。我们认为成功的建模框架将涉及这些适用于不同集体适应性方面的模型组合。计算模型可以特别适合这种整合。




六、集体适应性框架中涌现的研究问题



集体适应性框架使得研究者能够开始回答一些社会科学和我们社会中的关键问题。这些问题在集体智能框架中很难研究，因为在那里智能被视为团队在静态问题环境中的固定属性，而研究往往局限于学科的壁垒中。集体适应性的视角有助于以一种新的系统化方式思考这些复杂的问题。这些问题可以重新构思为在适应于过去不同的问题结构后，找到一种新的整合策略和社会环境的组合问题。研究者可以使用模型和实证研究来同时探索集体适应性的这些构建块。

（一）为什么集体有时很难找到一个看似明显的解决特定问题的方法？

研究者和其他公民经常想知道为什么他们的集体似乎无法找到解决气候变化、大规模枪击事件、种族主义或大流行等问题的解决方案。对许多人来说，看起来很明显应该做什么，但是集体的轨迹似乎难以朝着正确的方向引导。集体适应性框架提供了一些关于可能原因的见解。其中之一是，集体试图同时解决许多不同的问题，适用于解决一个问题的整合策略和网络结构可能会干扰解决其他问题。例如，集体可能试图通过保留现有的策略和网络结构来维持稳定性，尽管这些策略和网络结构可能是为过去的完全不同的问题而开发的（例如美国的选举团或联合国的否决权）。另一个相关的原因是，集体内的不同群体通常有不同的偏好，用于整合这些偏好的策略不是为了解决当前问题而选择的，而是因为历史、文化或权力相关的原因。例如，关于气候变化或堕胎等的集体决策并不是通过基于频率的策略如多数决定来做出的，而是通过跟随特定的有影响力的成员来做出的，这些成员是因为财务或历史机构优势而被选出来的。最后，集体可能会陷入问题空间中不利的部分，在任何方向上移动都会带来短期性能下降，而在取得任何改进之前。例如，处理气候变化可能会减少集体的关键成员的就业或利润，使他们不愿意启动最终会带来更好结果的变革。

（二）为什么一些集体能够成功地应对特定的问题，而另一些集体似乎失败了？

正如在COVID-19大流行期间变得明显的那样，一些国家设法实现了高水平的疫苗接种和相对较低的死亡率，而其他国家没有[293]。许多其他问题，从实现民主到减少腐败，对不同的集体来说可能更或更不难解决。尽管集体适应性框架不能立即提供答案，但它暗示了一种理解这些问题的方法，即了解集体在解决过去的问题时导航的历史轨迹。特别是，他们过去所发展的社会整合策略和网络结构可能会妨碍他们应对新问题的能力。例如，传统上进行更多个体学习并具有分散网络的集体可能不太可能接受政府强制接种疫苗[294]。

（三）为什么一些成功的集体随着时间的推移表现下降？

有时，最初表现出色的团队随着时间的推移变得更糟。除了回归到平均值等问题，例如性能和真实能力之间的噪声关系[177,178]外，集体适应性框架提供了进一步的研究途径。例如，早期的成功可以使团队随着时间的推移变得更紧密相互连接[295]，进而影响其在需要多样化意见才能成功的更复杂任务上的表现[25,187]。而在社交网络中增加合作可以支持更长程社交联系的形成，这可能会为合作的崩溃创造条件[280]。

（四）集体如何改变其整合策略和网络结构以适应不同的问题？

集体适应性框架指出了研究集体用于这些决策的元级别策略的重要性需求。虽然如上所述，已经有很多关于个体和集体解决不同问题时使用的社交整合策略和网络结构的研究，但是关于集体如何在不同的问题下切换不同的策略和网络的元级别策略的研究还很少。在个体决策中，已经表明个体可以根据手头的任务调整他们的社交整合策略[296-298]，策略取决于认知能力[299]、时间压力[300]、过去的表现[231]和对线索的知识[301]。在社交环境中，元级别策略已经在建议接受[155,302]和团队合作[232]中研究过，但是仍需要更多的研究，以了解集体决定使用不同策略[303]，特别是他们决定重组他们的网络的方式（但请参见[75,279,280]）。回答这些问题进一步复杂化了社会规范和更正式的机构的存在，这些规范和机构限制了集体可以选择的策略和网络结构的范围。一个有前途的视角是事务性系统框架[15]，它描述了集体如何使用其记忆、注意和推理系统来感知其环境中的变化并协调行动。另一个有前途的框架是贝叶斯集体学习，它基于最优决策的数学理论，可以用于预测和证明社交整合和网络更新的不同启发式策略，以适应有关他人策略和网络连接的有限和错误的知识的情况[282]。最后，群体和集体情感，如来自外群体的威胁或群体自豪感，可以成为快速重组集体网络结构和整合社交信息方式的强大触发器[304,305]。

（五）我们能否预测因社会适应过去问题的方式而可能出现的新问题？

集体适应性的视角表明，通过了解集体在过去必须解决的问题，可以预测他们可能在未来遇到的问题。适应先前环境将决定他们当前使用的整合策略和网络结构，并影响集体适应性新环境的难易程度。例如，更紧密相互连接的集体和那些遵循少数主导成员而不是使用基于频率的整合策略的集体可能更有可能在需要各种可能解决方案的多样化意见来解决复杂问题时遇到困难。作为另一个例子，面临威胁的团体可以采取更加同质化的思维方式，对入侵者持有偏见，并快速采取集体行动，但与此同时，这也会促进有害信念的传播，可能会危及团体的长远利益[306]。当然，集体适应性轨迹的预测可能受到底层社会认知系统复杂性的限制，但通过理论和方法论的发展，探索可以取得的收益程度是有用的。

（六）我们如何才能减少新出现的集体问题的不理想后果？

更好地理解引起不良后果（如错误信息的传播、仇恨言论、极端主义和暴力）的复杂适应性社会认知系统，最终可以使集体调整其轨迹，以减少这种后果的可能性。这将改善当前社会对这些现象的反应，这些现象主要集中在减轻后果，而不是预防后果。理想情况下，集体适应性框架可以在加强或发展可持续性文化、促进有益的行为和促进健康的社会对话等领域发挥影响力。它可能有助于社会避免敌对性企图操纵集体决策和行为。




七、展望



集体适应性的观点超越了传统的集体智能的概念，它明确承认并模拟了现实世界中集体行为的几个关键方面：路径依赖、优化的不可能性、集体短视和对替代世界的看似无目的的探索。更广泛地说，集体适应性的观点并不在于寻找一个普遍的智能集体，而是问：“考虑到集体过去适应的问题，集体在追求其各种目标时可能采取什么路径？”理解整合策略、社会环境和问题结构的动态相互作用，为研究重要的科学和社会问题开辟了一条道路，如集体为什么不能达成看似明显的解决方案，他们如何调整其整合策略和社会网络结构以适应新的问题，以及他们如何避免不太理想的未来路径。

我们希望这篇文章能够激励研究人员在跨领域积累的丰富知识的基础上，开发并实证检验严格的集体适应模型，从而为跨学科的、量化的、对社会有用的社会科学作出贡献。只有这样的社会科学才能帮助人们理解我们快速变化和日益复杂的社会，避免集体灾难，并充分发挥我们在适应性集体中的组织能力的潜力。


参考文献

  1. Tajfel H. 1981Human groups and social categories. Cambridge, UK: Cambridge University Press.
  2. Smaldino PE. 2014The cultural evolution of emergent group-level traits. Behav. Brain Sci.37, 243. (doi:10.1017/S0140525X13001544)  
  3. Bak-Coleman JBet al.2021Stewardship of global collective behaviour. Proc. Natl Acad. Sci. USA118, e2025764118. (doi:10.1073/pnas.2025764118)  
  4. Douglas KM, Uscinski JE, Sutton RM, Cichocka A, Nefes T, Ang CS, Deravi F. 2019Understanding conspiracy theories. Political Psychol.40, 3-55. (doi:10.1111/pops.12568)  
  5. Tranter B, Booth K. 2015Scepticism in a changing climate: a cross-national study. Glob. Environ. Change33, 154-164. (doi:10.1016/j.gloenvcha.2015.05.003)
  6. Schmelz K, Bowles S. 2021Overcoming COVID-19 vaccination resistance when alternative policies affect the dynamics of conformism, social norms, and crowding out. Proc. Natl Acad. Sci. USA118, e2104912118. (doi:10.1073/pnas.2104912118)
  7. Brown JR, Enos RD. 2021The measurement of partisan sorting for 180 million voters. Nat. Hum. Behav.5, 998-1008. (doi:10.1038/s41562-021-01066-z)
  8. Stephens W, Sieckelinck S, Boutellier H. 2021Preventing violent extremism: a review of the literature. Stud. Conflict Terrorism44, 346-361. (doi:10.1080/1057610X.2018.1543144)
  9. Dietz T, Ostrom E, Stern PC. 2003The struggle to govern the commons. Science302, 1907-1912.  
  10. Frey S, Sumner RW. 2019Emergence of integrated institutions in a large population of self-governing communities. PloS ONE14, e0216335.  
  11. Galesic M, Barkoczi D, Katsikopoulos K. 2018Smaller crowds outperform larger crowds and individuals in realistic task conditions. Decision5, 1-15. (doi:10.1037/dec0000059)  
  12. Woolley AW, Chabris CF, Pentland A, Hashmi N, Malone TW. 2010Evidence for a collective intelligence factor in the performance of human groups. Science330, 686-688. (doi:10.1126/science.1193147)  
  13. Savage LJ. 1972The foundations of statistics. North Chelmsford, MA: Courier Corporation.
  14. Simon HA. 1956Rational choice and the structure of the environment. Psychol. Rev.63, 129-138. (doi:10.1037/h0042769)  
  15. Gupta P, Woolley AW. 2021Articulating the role of artificial intelligence in collective intelligence: a transactive systems framework. In Proc. of the Human Factors and Ergonomics Society Annual Meeting, 4–7 October (Vol. 65, No. 1), pp. 670-674. Los Angeles, CA: SAGE Publications.
  16. Simon HA. 1976From substantive to procedural rationality. In 25 years of economic theory, pp. 65-86. Boston, MA: Springer.
  17. Simon HA. 1978Rationality as process and as product of thought. Am. Econ. Rev.68, 1-16.
  18. Todd PM, Gigerenzer GE. 2012Ecological rationality: Intelligence in the world. Oxford, UK: Oxford University Press.
  19. Hertwig , Hoffrage , Hertwig R, Hoffrage U. 2013Simple heuristics in a social world. Oxford, UK: Oxford University Press.
  20. Malone TW, Bernstein MS (eds). 2015Handbook of collective intelligence. Cambridge, MA: MIT Press.
  21. Riedl C, Kim YJ, Gupta P, Malone TW, Woolley AW. 2021Quantifying collective intelligence in human groups. Proc. Natl Acad. Sci. USA118, e2005737118. (doi:10.1073/pnas.2005737118)
  22. Ostrowski B, Williams Woolley A, Haan KW. 2022Translating member ability into group brainstorming performance: the role of collective intelligence. Small Group Res.53, 3-40. (doi:10.1177/10464964211060348)
  23. Woolley AW, Aggarwal I, Malone TW. 2015Collective intelligence and group performance. Curr. Dir. Psychol. Sci.24, 420-424. (doi:10.1177/0963721415599543)  
  24. Malone TW, Laubacher R, Dellarocas CN. 2009 Harnessing crowds: mapping the genome of collective intelligence. MIT Sloan Research Paper no. 4732-09. (doi:10.2139/ssrn.1381502)
  25. Massari GF, Giannoccaro I, Carbone G. 2019Are distrust relationships beneficial for group performance? The influence of the scope of distrust on the emergence of collective intelligence. Int. J. Prod. Econ.208, 343-355. (doi:10.1016/j.ijpe.2018.12.005)
  26. Granovskiy B, Gold JM, Sumpter DJ, Goldstone RL. 2015Integration of social information by human groups. Topics Cogn. Sci.7, 469-493. (doi:10.1111/tops.12150)  
  27. Jayles B, Escobedo R, Cezera S, Blanchet A, Kameda T, Sire C, Theraulaz G. 2020The impact of incorrect social information on collective wisdom in human groups. J. R. Soc. Interface17, 20200496. (doi:10.1098/rsif.2020.0496)
  28. Kurvers RH, Herzog SM, Hertwig R, Krause J, Carney PA, Bogart A, Argenziano G, Zalaudek I, Wolf M. 2016Boosting medical diagnostics by pooling independent judgments. Proc. Natl Acad. Sci. USA113, 8777-8782. (doi:10.1073/pnas.1601827113)  
  29. Bothos E, Apostolou D, Mentzas G. 2012Collective intelligence with web-based information aggregation markets: the role of market facilitation in idea management. Expert Syst. Appl.39, 1333-1345. (doi:10.1016/j.eswa.2011.08.014)
  30. Täuscher K. 2017Leveraging collective intelligence: how to design and manage crowd-based business models. Business Horizons60, 237-245. (doi:10.1016/j.bushor.2016.11.008)
  31. Secundo G, Dumay J, Schiuma G, Passiante G. 2016Managing intellectual capital through a collective intelligence approach: an integrated framework for universities. J. Intellect. Cap.17, 298-319.
  32. Hernantes J, Rich E, Laugé A, Labaka L, Sarriegi JM. 2013Learning before the storm: modeling multiple stakeholder activities in support of crisis management, a practical case. Technol. Forecasting Soc. Change80, 1742-1755. (doi:10.1016/j.techfore.2013.01.002)
  33. Turoff M, Hiltz SR, Bañuls VA, Van Den Eede G. 2013Multiple perspectives on planning for emergencies: an introduction to the special issue on planning and foresight for emergency preparedness and management. Technol. Forecasting Soc. Change80, 1647-1656. (doi:10.1016/j.techfore.2013.07.014)
  34. Breiman L. 1996Bagging predictors. Machine Learning24, 123-140.  
  35. Solé R, Moses M, Forrest S. 2019Liquid brains, solid brains. Phil. Trans. R. Soc. B374, 20190040. (doi:10.1098/rstb.2019.0040)
  36. De Vincenzo I, Giannoccaro I, Carbone G, Grigolini P. 2017Criticality triggers the emergence of collective intelligence in groups. Phys. Rev. E96, 022309. (doi:10.1103/PhysRevE.96.022309)
  37. Daniels BC, Flack JC, Krakauer DC. 2017Dual coding theory explains biphasic collective computation in neural decision-making. Front. Neurosci.11, 313. (doi:10.3389/fnins.2017.00313)  
  38. Bandura A, McClelland DC. 1977Social learning theory, Vol. 1. Englewood Cliffs, NJ: Prentice Hall.
  39. Hoppitt W, Laland KN. 2013Social learning: an introduction to mechanisms, methods, and models. Princeton, NJ: Princeton University Press.
  40. Kendal RL, Boogert NJ, Rendell L, Laland KN, Webster M, Jones PL. 2018Social learning strategies: bridge-building between fields. Trends Cogn. Sci.22, 651-665. (doi:10.1016/j.tics.2018.04.003)  
  41. Hertwig R, Hoffrage U (eds). 2013Simple heuristics in a social world. Oxford, UK: Oxford University Press.
  42. Bonaccio S, Dalal RS. 2006Advice taking and decision-making: an integrative literature review, and implications for the organizational sciences. Org. Behav. Hum. Decision Process.101, 127-151. (doi:10.1016/j.obhdp.2006.07.001)  
  43. Yaniv I. 2004Receiving other people's advice: influence and benefit. Org. Behav. Hum. Decision Process.93, 1-13. (doi:10.1016/j.obhdp.2003.08.002)  
  44. Conradt L, Roper TJ. 2010Deciding group movements: where and when to go. Behav. Process.84, 675-677. (doi:10.1016/j.beproc.2010.03.005)  
  45. Couzin ID, Krause J, Franks NR, Levin SA. 2005Effective leadership and decision-making in animal groups on the move. Nature433, 513-516.  
  46. Berdahl AM, Kao AB, Flack A, Westley PA, Codling EA, Couzin ID, Dell AI, Biro D. 2018Collective animal navigation and migratory culture: from theoretical models to empirical evidence. Phil. Trans. R. Soc. B373, 20170009. (doi:10.1098/rstb.2017.0009)
  47. Berdahl A, Torney CJ, Ioannou CC, Faria JJ, Couzin ID. 2013Emergent sensing of complex environments by mobile animal groups. Science339, 574-576. (doi:10.1126/science.1225883)  
  48. Sasaki T, Biro D. 2017Cumulative culture can emerge from collective intelligence in animal groups. Nat. Commun.8, 15049. (doi:10.1038/ncomms15049)  
  49. Biro D, Sasaki T, Portugal SJ. 2016Bringing a time–depth perspective to collective animal behaviour. Trends Ecol. Evol.31, 550-562. (doi:10.1016/j.tree.2016.03.018)  
  50. Gonzalez C, Ben-Asher N, Martin J, Dutt V. 2015A cognitive model of dynamic cooperation with varied interdependency information. Cogn. Sci.39, 457-495. (doi:10.1111/cogs.12170)
  51. Lejarraga T, Lejarraga J, Gonzalez C. 2014Decisions from experience: how groups and individuals adapt to change. Mem. Cognit.42, 1384-1397. (doi:10.3758/s13421-014-0445-7)
  52. Hills TT, Todd PM, Lazer D, Redish AD, Couzin ID, Cognitive Search Research Group. 2015Exploration versus exploitation in space, mind, and society. Trends Cogn. Sci.19, 46-54. (doi:10.1016/j.tics.2014.10.004)  
  53. Mehlhorn K, Newell BR, Todd PM, Lee MD, Morgan K, BIthwaite VA, Hausmann D, Fiedler K, Gonzalez C. 2015Unpacking the exploration–exploitation tradeoff: a synthesis of human and animal literatures. Decision2, 191. (doi:10.1037/dec0000033)
  54. Kerr NL, Tindale RS. 2004Group performance and decision making. Annu. Rev. Psychol.55, 623-655. (doi:10.1146/annurev.psych.55.090902.142009)  
  55. Caklovic L, Kurdija AS. 2017A universal voting system based on the potential method. Europ. J. Operat. Res.259, 677-688. (doi:10.1016/j.ejor.2016.10.032)
  56. Dalkey NC. 1969The Delphi method: an experimental study of group opinion. Santa Monica, CA: Rand Corporation.
  57. Hastie R, Kameda T. 2005The robust beauty of majority rules in group decisions. Psychol. Rev.112, 494. (doi:10.1037/0033-295X.112.2.494)  
  58. Saaty TL. 1989Group decision making and the AHP. In The analytic hierarchy process, pp. 59-67. Berlin, Germany: Springer.
  59. Stasser G, Titus W. 1985Pooling of unshared information in group decision making: biased information sampling during discussion. J. Pers. Soc. Psychol.48, 1467. (doi:10.1037/0022-3514.48.6.1467)  
  60. Conradt L, List C. 2009Group decisions in humans and animals: a survey. Phil. Trans. R. Soc. B364, 719-742. (doi:10.1098/rstb.2008.0276)
  61. de Condorcet M. 1783Essai sur l’application de l’analyse à la probabilité des décisions rendues à la pluralité des voix [Essay on the application of the probabilistic analysis of majority vote decisions]. Paris, France: Imprimerie Royale.
  62. Galton F. 1907Vox populi. Nature75, 450-451. (doi:10.1038/075450a0)
  63. Davis-Stober CP, Budescu DV, Dana J, Broomell SB. 2014When is a crowd wise?Decision1, 79. (doi:10.1037/dec0000004)
  64. Danileiko I, Lee MD. 2017A model-based approach to the wisdom of the crowd in category learning. Cogn. Sci.42, 861-883. (doi:10.1111/cogs.12561)
  65. List C, Puppe C. 2009Judgment aggregation: a survey. In Oxford handbook of rational and social choice (eds Anand P, Puppe C, Pattanaik P). Oxford, UK: Oxford University Press.
  66. Mellers Bet al.2014Psychological strategies for winning a geopolitical forecasting tournament. Psychol. Sci.25, 1106-1115. (doi:10.1177/0956797614524255)  
  67. Pivato M. 2017Epistemic democracy with correlated voters. J. Math. Econ.72, 51-69. (doi:10.1016/j.jmateco.2017.06.001)
  68. Devine DJ, Clayton LD, Dunford BB, Seying R, Pryce J. 2001Jury decision making: 45 years of empirical research on deliberating groups. Psychol. Public Policy Law7, 622. (doi:10.1037/1076-8971.7.3.622)
  69. Shi F, Teplitskiy M, Duede E, Evans JA. 2019The wisdom of polarized crowds. Nat. Hum. Behav.3, 329-336. (doi:10.1038/s41562-019-0541-6)
  70. Kao AB, Couzin ID. 2019Modular structure within groups causes information loss but can improve decision accuracy. Phil. Trans. R. Soc. B374, 20180378. (doi:10.1098/rstb.2018.0378)
  71. Budescu DV, Chen E. 2015Identifying expertise to extract the wisdom of crowds. Manage. Sci.61, 267-280. (doi:10.1287/mnsc.2014.1909)
  72. Mannes AE, Soll JB, Larrick RP. 2014The wisdom of select crowds. J. Pers. Soc. Psychol.107, 276. (doi:10.1037/a0036677)  
  73. Olsson H, Loveday J. 2015A comparison of small crowd selection methods. In Proceedings of the thirty-seventh annual conference of the cognitive science society (eds Noelle DC, Dale R, Warlaumont AS, Yoshimi J, Matlock T, Jennings CD, Maglio PP), pp. 1769-1774. Austin, TX: Cognitive Science Society.
  74. Page SE. 2008The difference: how the power of diversity creates better groups, firms, schools, and societies, new edn. Princeton, NJ: Princeton University Press.
  75. Almaatouq A, Noriega-Campero A, Alotaibi A, Krafft PM, Moussaid M, Pentland A. 2020Adaptive social networks promote the wisdom of crowds. Proc. Natl Acad. Sci. USA117, 11 379-11 386. (doi:10.1073/pnas.1917687117)  
  76. Friedman D. 1998On economic applications of evolutionary game theory. J. Evol. Econ.8, 15-43. (doi:10.1007/s001910050054)
  77. Newton J. 2018Evolutionary game theory: a renaissance. Games9, 31. (doi:10.3390/g9020031)
  78. Wang Z, Wang L, Szolnoki A, Perc M. 2015Evolutionary games on multilayer networks: a colloquium. Europ. Phys. J. B88, 1-15.
  79. Heckathorn DD. 1996The dynamics and dilemmas of collective action. Am. Sociol. Rev.61, 250-277. (doi:10.2307/2096334)  
  80. Ostrom E. 2010Beyond markets and states: polycentric governance of complex economic systems. Am. Econ. Rev.100, 641-672. (doi:10.1257/aer.100.3.641)
  81. Moreira JA, Pacheco JM, Santos FC. 2013Evolution of collective action in adaptive social structures. Sci. Rep.3, 1-6. (doi:10.1038/srep01521)
  82. Goldstone RL, Theiner G. 2017The multiple, interacting levels of cognitive systems (MILCS) perspective on group cognition. Phil. Psychol.30, 338-372. (doi:10.1080/09515089.2017.1295635)
  83. Hinsz VB, Tindale RS, Vollrath DA. 1997The emerging conceptualization of groups as information processors. Psychol. Bull.121, 43-64. (doi:10.1037/0033-2909.121.1.43)
  84. Lewis K, Herndon B. 2011Transactive memory systems: current issues and future research directions. Org. Sci.22, 1254-1265. (doi:10.1287/orsc.1110.0647)
  85. Centola D, Macy M. 2007Complex contagions and the weakness of long ties. AJS113, 702-734. (doi:10.1086/521848)  
  86. Epstein JM. 2014Agent_zero: toward neurocognitive foundations for generative social science. Princeton, NJ: Princeton University Press.
  87. Galesic M, Olsson H, Dalege J, van der Does T, Stein DL. 2021Integrating social and cognitive aspects of belief dynamics: towards a unifying framework. J. R. Soc. Interface18, 20200857. (doi:10.1098/rsif.2020.0857)
  88. Pentland A. 2014Social physics: how social networks can make us smarter. Baltimore, MD: Penguin.
  89. Proskurnikov AV, Tempo R. 2017A tutorial on modelling and analysis of dynamic social networks. Part I. Annu. Rev. Control43, 65-79. (doi:10.1016/j.arcontrol.2017.03.002)  
  90. Vallacher RR, Read SJ, Nowak A (eds). 2017Computational social psychology. New York, NY: Routledge.
  91. Mesoudi A. 2016Cultural evolution: a review of theory, findings and controversies. Evol. Biol.43, 481-497. (doi:10.1007/s11692-015-9320-0)  
  92. Mesoudi A, Thornton A. 2018What is cumulative cultural evolution?Proc. R. Soc. B285, 20180712. (doi:10.1098/rspb.2018.0712)
  93. Kandler A, Powell A. 2018Generative inference for cultural evolution. Phil. Trans. R. Soc. B373, 20170056. (doi:10.1098/rstb.2017.0056)
  94. Ready E, Price MH. 2021Human behavioral ecology and niche construction. Evol. Anthro.: Issues, News, and Reviews30, 71-83.
  95. Ryan PA, Powers ST, Watson RA. 2016Social niche construction and evolutionary transitions in individuality. Biol. Phil.31, 59-79. (doi:10.1007/s10539-015-9505-z)  
  96. Yamagishi T, Hashimoto H. 2016Social niche construction. Curr. Opin. Psychol.8, 119-124. (doi:10.1016/j.copsyc.2015.10.003)
  97. Le Bon G. 1914The crowd: a study of the popular mind. London, UK: The Gresham Press.
  98. Turner RH, Killian LM. 1957Collective behaviour, Vol. 3 . Englewood Cliffs, NJ: Prentice-Hall.
  99. Young HP. 2009Innovation diffusion in heterogeneous populations: Contagion, social influence, and social learning. Am. Econ. Rev.99, 1899-1924. (doi:10.1257/aer.99.5.1899)  
  100. Bikhchandani S, Hirshleifer D, Welch I. 1992A theory of fads, fashion, custom, and cultural change as informational cascades. J. Polit. Econ.100, 992-1026. (doi:10.1086/261849)  
  101. DeGroot MH. 1974Reaching a consensus. J. Am. Stat. Assoc.69, 118-121. (doi:10.1080/01621459.1974.10480137)  
  102. Rogers EM. 1962Diffusion of innovations, 1st edn. New York, NY: Free Press of Glencoe.
  103. Banerjee AV. 1992A simple model of herd behaviour. Q. J. Econ.107, 797-817. (doi:10.2307/2118364)  
  104. Arrow KJ. 1950A difficulty in the concept of social welfare. J. Polit. Econ.58, 328-346. (doi:10.1086/256963)  
  105. Tetlock PE, Gardner D. 2016Superforecasting: the art and science of prediction. New York, NY: Random House.
  106. Hastie R, Penrod SD, Pennington N. 2013Inside the jury. Cambridge, MA: Harvard University Press.
  107. Benkler Y, Shaw A, Hill BM. 2015Peer production: a modality of collective intelligence. In Handbook of collective intelligence (eds Malone TW, Bernstein MS). Cambridge, MA: MIT Press.
  108. Condorcet M. 1785Essay on the application of analysis to the probability of majority decisions. Paris, France: Imprimerie Royale.
  109. Heinberg JG. 1932Theories of majority rule. Am. Polit. Sci. Rev.26, 452-469. (doi:10.2307/1946465)
  110. Penrose LS. 1946The elementary statistics of majority voting. J. R. Stat. Soc.109, 53-57. (doi:10.2307/2981392)
  111. Asch SE. 1955Opinions and social pressure. Sci. Am.193, 31-35. (doi:10.1038/scientificamerican1155-31)  
  112. Plott CR. 1967A notion of equilibrium and its possibility under majority rule. Am. Econ. Rev.57, 787-806.
  113. Penrod S, Hastie R. 1979Models of jury decision making: a critical review. Psychol. Bull.86, 462. (doi:10.1037/0033-2909.86.3.462)
  114. Nitzan S, Paroush J. 1984The significance of independent decisions in uncertain dichotomous choice situations. Theory Decis.17, 47-60. (doi:10.1007/BF00140055)
  115. Boyd R, Richerson PJ. 1985Culture and the evolutionary process. Chicago, IL: University of Chicago Press.
  116. Laland KN. 2004Social learning strategies. Anim. Learn. Behav.32, 4-14. (doi:10.3758/BF03196002)
  117. Parhami B. 1994Voting algorithms. IEEE Trans. Reliab.43, 617-629. (doi:10.1109/24.370218)
  118. Krapivsky PL, Redner S. 2003Dynamics of majority rule in two-state interacting spin systems. Phys. Rev. Lett.90, 238701. (doi:10.1103/PhysRevLett.90.238701)  
  119. King A, Cowlishaw G. 2007When to use social information: the advantage of large group size in individual decision making. Biol. Lett.3, 137-139. (doi:10.1098/rsbl.2007.0017)
  120. Guilbeault D, Becker J, Centola D. 2018Complex contagions: a decade in review. In Complex spreading phenomena in social systems, pp. 3-25. New York, NY: Springer International.
  121. Poisson SD. 1837 Recherches sur la probabilité des jugements en matière criminelle et en matière civile: précédées des Règles Générales du Calcul des Probabilités.Paris, France: Bachelier.
  122. Laplace PS. 1886Essai Philosophique sur les Probabilites. Introduction to Theorie Analytique des Probabilites, Oeuvres Complotes De Laplace. Paris, France: Gauthier-Villars.
  123. Gelfand AE, Solomon H. 1973A study of Poisson's models for jury verdicts in criminal and civil trials. J. Amer. Statist. Assn68, 271-278.
  124. Grofman B, Feld SL, Owen G. 1984Group size and the performance of a composite group majority: statistical truths and empirical results. Org. Behav. Hum. Perf.33, 350-359. (doi:10.1016/0030-5073(84)90028-X)
  125. Kao AB, Couzin ID. 2014Decision accuracy in complex environments is often maximized by small group sizes. Proc. R. Soc. B281, 20133305. (doi:10.1098/rspb.2013.3305)
  126. Axelrod R. 1997The dissemination of culture: a model with local convergence and global polarization. J. Conflict Resolution41, 203-226. (doi:10.1177/0022002797041002001)  
  127. van Benthem J. 2011Logical dynamics of information and interaction. Cambridge, MA: Cambridge University Press.
  128. Castellano C, Fortunato S, Loreto V. 2009Statistical physics of social dynamics. Rev. Mod. Phys.81, 591. (doi:10.1103/RevModPhys.81.591)  
  129. Centola D. 2018How behaviour spreads: the science of complex contagions, vol. 3 . Princeton, NJ: Princeton University Press.
  130. Friedkin NE, Proskurnikov AV, Tempo R, Parsegov SE. 2016Network science on belief system dynamics under logic constraints. Science354, 321-326. (doi:10.1126/science.aag2624)  
  131. Golub B, Jackson MO. 2012How homophily affects the speed of learning and best-response dynamics. Q. J. Econ.127, 1287-1338.  
  132. Watts DJ, Dodds PS. 2007Influentials, networks, and public opinion formation. J. Consumer Res.34, 441-458. (doi:10.1086/518527)  
  133. Ross L, Greene D, House P. 1977The ‘false consensus effect’: an egocentric bias in social perception and attribution processes. J. Exp. Soc. Psychol.13, 279-301. (doi:10.1016/0022-1031(77)90049-X)  
  134. Lerman K, Yan X, Wu XZ. 2016The 'majority illusion’ in social networks. PLoS ONE11, e0147617. (doi:10.1371/journal.pone.0147617)  
  135. Feld SL. 1991Why your friends have more friends than you do. AJS96, 1464-1477. (doi:10.1086/229693)  
  136. Cantwell GT, Kirkley A, Newman MEJ. 2021The friendship paradox in real and model networks. J. Complex Netw.9, cnab011. (doi:10.1093/comnet/cnab011)
  137. Milgram S. 1967The small world problem. Psychol. Today1, 61-67.
  138. Watts DJ, Strogatz SH. 1998Collective dynamics of ‘small-world’ networks. Nature393, 440-442. (doi:10.1038/30918)  
  139. Couzin ID, Krause J. 2003Self-organization and collective behaviour in vertebrates. Adv. Study Behav.32, 10-1016.
  140. Bonanno GA , Jost 2006. Conservative shift among high-exposure survivors of the September 11th terrorist attacks. Basic. Appl. Soc. Psych.28, 311–323.
  141. Fisher RJ 2011. Intergroup conflict. In The handbook of conflict resolution: theory and practice (eds M Deutsch, PT Coleman, EC Marcus), pp. 176–196. New York, NY: John Wiley & Sons.
  142. Bowles S. 2009Did warfare among ancestral hunter-gatherers affect the evolution of human social behaviours?Science324, 1293-1298. (doi:10.1126/science.1168112)
  143. Ostrom E. 1990Governing the commons: the evolution of institutions for collective action. Cambridge, MA: Cambridge University Press.
  144. Henrich J, Chudek M, Boyd R. 2015The Big Man Mechanism: how prestige fosters cooperation and creates prosocial leaders. Phil. Trans. R. Soc. B370, 20150013. (doi:10.1098/rstb.2015.0013)
  145. Holland JH. 1992Complex adaptive systems. Daedalus121, 17-30.  
  146. Wimsatt WC. 1972Complexity and organization. In PSA: Proc. of the biennial meeting of the Philosophy of Science Association, Vol. 1972, pp. 67-1986. Dordrecht, The Netherlands: D Reidel Publishing.
  147. Gigerenzer GE, Hertwig RE, Pachur TE. 2011Heuristics: the foundations of adaptive behaviour. Oxford, UK: Oxford University Press.
  148. Steyvers M, Miller B. 2015Cognition and collective intelligence. In Handbook of collective intelligence (eds Malone TW, Bernstein MS). Cambridge, MA: MIT Press.
  149. Grice HP. 1975Logic and conversation. In Syntax and semantics, vol. 3: Speech acts (eds Cole P, Morgan JL), pp. 41-58. New York, NY: Academic Press.
  150. Moussaïd M, Helbing D, Theraulaz G. 2011How simple rules determine pedestrian behaviour and crowd disasters. Proc. Natl Acad. Sci. USA108, 6884-6888. (doi:10.1073/pnas.1016507108)  
  151. Axelrod R. 1984The evolution of cooperation. New York, NY: Basic Books.
  152. Bowles S, Gintis H. 2013A cooperative species: human reciprocity and its evolution. Princeton, NJ: Princeton University Press.
  153. Jackson MO. 2010Social and economic networks. Princeton, NJ: Princeton University Press.
  154. Krafft PM, Shmueli E, Griffiths TL, Tenenbaum JB, Pentland AS. 2021Bayesian collective learning emerges from heuristic social learning. Cognition212, 104469. (doi:10.1016/j.cognition.2020.104469)
  155. Molleman L, Tump AN, Gradassi A, Herzog S, Jayles B, Kurvers RH, van den Bos W. 2020Strategies for integrating disparate social information. Proc. R. Soc. B287, 20202413. (doi:10.1098/rspb.2020.2413)
  156. Biele G, Rieskamp J, Gonzalez R. 2009Computational models for the combination of advice and individual learning. Cogn. Sci.33, 206-242. (doi:10.1111/j.1551-6709.2009.01010.x)  
  157. Whalen A, Cownden D, Laland K. 2015The learning of action sequences through social transmission. Anim. Cogn.18, 1093-1103. (doi:10.1007/s10071-015-0877-x)  
  158. Kandler A, Laland KN. 2009An investigation of the relationship between innovation and cultural diversity. Theor. Popul. Biol.76, 59-67. (doi:10.1016/j.tpb.2009.04.004)  
  159. Grofman B, Owen G, Feld SL. 1983Thirteen theorems in search of the truth. Theory Decision15, 261-278. (doi:10.1007/BF00125672)  
  160. Sorkin RD, West R, Robinson DE. 1998Group performance depends on the majority rule. Psychol. Sci.9, 456-463. (doi:10.1111/1467-9280.00085)  
  161. Newman ME. 2003The structure and function of complex networks. SIAM Rev.45, 167-256. (doi:10.1137/S003614450342480)  
  162. Henrich J, Gil-White FJ. 2001The evolution of prestige: freely conferred deference as a mechanism for enhancing the benefits of cultural transmission. Evol. Hum. Behav.22, 165-196. (doi:10.1016/S1090-5138(00)00071-4)  
  163. Cialdini RB, Trost MR. 1998Social influence: social norms, conformity and compliance. In Handbook of social psychology, vol. 2 (eds Gilbert DT, Fiske ST, Lindzey GT), pp. 151-192, 4th edn. Boston, MA: McGraw-Hill.
  164. Wisdom TN, Song X, Goldstone RL. 2013Social learning strategies in networked groups. Cogn. Sci.37, 1383-1425. (doi:10.1111/cogs.12052)  
  165. Penrod S, Cutler B . 1995Witness confidence and witness accuracy: assessing their forensic relation. Psychol. Public Policy, Law1, 817-845. (doi:10.1037/1076-8971.1.4.817)
  166. Van Swol LM, Sniezek JA. 2005Factors affecting the acceptance of expert advice. Br. J. Soc. Psychol.44, 443-461. (doi:10.1348/014466604X17092)
  167. Goldstone RL, Wisdom TN, Roberts ME, Frey S. 2013Learning along with others. Psychol. Learn. Motivation58, 1-45. (doi:10.1016/B978-0-12-407237-4.00001-3)
  168. Barkoczi P, Analytis P, Wu C. 2016Collective search on rugged landscapes: a cross-environmental analysis. In Proc. of the 38th Annual Meeting of the Cognitive Science Society, 10–13 August. Philadelphia, PA: Cognitive Science Society.
  169. Pescetelli N, Yeung N. 2021The role of decision confidence in advice-taking and trust formation. J. Exp. Psychol.150, 507. (doi:10.1037/xge0000960)
  170. Tump AN, Wolf M, Romanczuk P, Kurvers RH. 2022Avoiding costly mistakes in groups: the evolution of error management in collective decision making. PLoS Comput. Biol.18, e1010442. (doi:10.1371/journal.pcbi.1010442)
  171. Smaldino PE, Flamson TJ, McElreath R. 2018The evolution of covert signaling. Sci. Rep.8, 4905. (doi:10.1038/s41598-018-22926-1)  
  172. Gross J, De Dreu CK. 2019The rise and fall of cooperation through reputation and group polarization. Nat. Commun.10, 1-10. (doi:10.1038/s41467-018-07882-8)  
  173. Rand DG, Arbesman S, Christakis NA. 2011Dynamic social networks promote cooperation in experiments with humans. Proc. Natl Acad. Sci. USA108, 19 193-19 198. (doi:10.1073/pnas.1108243108)  
  174. Easley D, Kleinberg J. 2010Networks, crowds, and markets, vol. 8 . Cambridge, UK: Cambridge University Press.
  175. Thomas WI, Swaine Thomas D. 1928The child in America: behaviour problems and programs. New York, NY: Knopf.
  176. Smith ER, Zárate MA. 1992Exemplar-based model of social judgment. Psychol. Rev.99, 3-21. (doi:10.1037/0033-295X.99.1.3)
  177. Denrell J. 2005Should we be impressed with high performance?J. Manage. Inquiry14, 292-298. (doi:10.1177/1056492605279100)
  178. Denrell J. 2005Why most people disapprove of me: experience sampling in impression formation. Psychol. Rev.112, 951. (doi:10.1037/0033-295X.112.4.951)
  179. Cialdini RB, Goldstein NJ. 2004Social influence: compliance and conformity. Annu. Rev. Psychol.55, 591-621. (doi:10.1146/annurev.psych.55.090902.142015)  
  180. Martin JM, Gonzalez C, Juvina I, Lebiere C. 2014A description-experience gap in social interactions: information about interdependence and its effects on cooperation. J. Behav. Decision Making27, 349-362.
  181. West BJ, Massari GF, Culbreth G, Failla R, Bologna M, Dunbar RIM, Grigolini P. 2020Relating size and functionality in human social networks through complexity. Proc. Natl Acad. Sci. USA117, 18 355-18 358.  
  182. Henrich J. 2004Demography and cultural evolution: how adaptive cultural processes can produce maladaptive losses—the Tasmanian case. Am. Antiquity69, 197-214. (doi:10.2307/4128416)  
  183. Derex M, Mesoudi A. 2020Cumulative cultural evolution within evolving population structures. Trends Cogn. Sci.24, 654-667. (doi:10.1016/j.tics.2020.04.005)  
  184. Giannoccaro I, Massari GF, Carbone G. 2018Team resilience in complex and turbulent environments: the effect of size and density of social interactions. Complexity2018, 1-11.
  185. Derex M, Boyd R. 2016Partial connectivity increases cultural accumulation within groups. Proc. Natl Acad. Sci. USA113, 2982-2987. (doi:10.1073/pnas.1518798113)  
  186. Hahn U, Hansen JU, Olsson EJ. 2020Truth tracking performance of social networks: how connectivity and clustering can make groups less competent. Synthese197, 1511-1541. (doi:10.1007/s11229-018-01936-6)
  187. Lazer D, Friedman A. 2007The network structure of exploration and exploitation. Administrative Sci. Q.52, 667-694. (doi:10.2189/asqu.52.4.667)  
  188. Mason WA, Jones A, Goldstone RL. 2008Propagation of Innovations in Networked Groups. J. Exp. Psychol.137, 3. (doi:10.1037/a0012798)
  189. Gonzalez C, Martin JM. 2011Scaling up instance-based learning theory to account for social interactions. Negotiation Conflict Manage. Res.4, 110-128. (doi:10.1111/j.1750-4716.2011.00075.x)
  190. Hahn U, von Sydow M, Merdes C. 2019How communication can make voters choose less well. Topics Cogn. Sci.11, 194-206. (doi:10.1111/tops.12401)
  191. Banerjee A, Chandrasekhar AG, Duflo E, Jackson MO. 2013The diffusion of microfinance. Science341, 1236498. (doi:10.1126/science.1236498)  
  192. McPherson M, Smith-Lovin L, Cook JM. 2001Birds of a feather: homophily in social networks. Annu. Rev. Sociol.27, 415-444. (doi:10.1146/annurev.soc.27.1.415)  
  193. Shalizi CR, Thomas AC. 2011Homophily and contagion are generically confounded in observational social network studies. Sociol. Methods Res.40, 211-239. (doi:10.1177/0049124111404820)  
  194. Lee E, Karimi F, Wagner C, Jo HH, Strohmaier M, Galesic M. 2019Homophily and minority-group size explain perception biases in social networks. Nat. Hum. Behav.3, 1078-1087. (doi:10.1038/s41562-019-0677-4)  
  195. Festinger L. 1954A theory of social comparisons processes. Hum. Relations7, 117-140. (doi:10.1177/001872675400700202)  
  196. Prentice D, Miller DT. 1993Pluralistic ignorance and alcohol use on campus: some consequences of misperceiving the social norm. J. Pers. Soc. Psychol.64, 243-256. (doi:10.1037/0022-3514.64.2.243)  
  197. Dawtry RJ, Sutton RM, Sibley CG. 2015Why wealthier people think people are wealthier, and why it matters: from social sampling to attitudes to redistribution. Psychol. Sci.26, 1389-1400. (doi:10.1177/0956797615586560)
  198. Centola DM. 2013Homophily, networks, and critical mass: solving the start-up problem in large group collective action. Rationality Soc.25, 3-40. (doi:10.1177/1043463112473734)  
  199. Di Stefano A, Scatà M, La Corte A, Liò P, Catania E, Guardo E, Pagano S. 2015Quantifying the role of homophily in human cooperation using multiplex evolutionary game theory. PLoS ONE10, e0140646. (doi:10.1371/journal.pone.0140646)  
  200. Alipourfard N, Nettasinghe B, Abeliuk A, Krishnamurthy V, Lerman K. 2020Friendship paradox biases perceptions in directed networks. Nat. Commun.11, 707.
  201. Christakis NA, Fowler JH. 2010Social network sensors for early detection of contagious outbreaks. PLoS ONE5, e12948. (doi:10.1371/journal.pone.0012948)  
  202. Moreno JL. 1951Sociometry, experimental method and the science of society. Beacon, NY: Beacon House.
  203. Christakis NA, Fowler JH. 2009Connected: the amazing power of social networks and how they shape our lives. New York, NY: Little, Brown, and Company.
  204. Mason WA, Conrey FR, Smith ER. 2007Situating social influence processes: dynamic, multidirectional flows of influence within social networks. Pers. Soc. Psychol. Rev.11, 279-300. (doi:10.1177/1088868307301032)
  205. Cantor M, Chimento M, Smeele SQ, He P, Papageorgiou D, Aplin LM, Farine DR. 2021Social network architecture and the tempo of cumulative cultural evolution. Proc. R. Soc. B288, 20203107. (doi:10.1098/rspb.2020.3107)
  206. Cavalli-Sforza LL, Feldman MW. 1981Cultural transmission and evolution: a quantitative approach (No. 16). Princeton, NJ: Princeton University Press.
  207. Deffner D, McElreath R. 2022When does selection favor learning from the old? Social learning in age-structured populations. PLoS ONE17, e0267204. (doi:10.1371/journal.pone.0267204)
  208. Kline MA, Boyd R, Henrich J. 2013Teaching and the life history of cultural transmission in Fijian villages. Hum. Nat.24, 351-374. (doi:10.1007/s12110-013-9180-1)  
  209. Kline MA. 2015How to learn about teaching: an evolutionary framework for the study of teaching behaviour in humans and other animals. Behav. Brain Sci.38, 1-71. (doi:10.1017/S0140525X14000041)  
  210. Lazer DMet al.2020Computational social science: obstacles and opportunities. Science369, 1060-1062. (doi:10.1126/science.aaz8170)  
  211. Surowiecki J. 2005The wisdom of crowds. New York, NY: Random House.
  212. Kauffman . 1993The origins of order: self-organization and selection in evolution. Oxford, UK: Oxford University Press.
  213. Levinthal DA. 1997Adaptation on rugged landscapes. Manage. Sci.43, 934-950. (doi:10.1287/mnsc.43.7.934)
  214. Barkoczi D, Galesic M. 2016Social learning strategies modify the effect of network structure on group performance. Nat. Commun.7, 13109. (doi:10.1038/ncomms13109)  
  215. Carbone G, Giannoccaro I. 2015Model of human collective decision-making in complex environments. Europ. Phys. J. B88, 339. (doi:10.1140/epjb/e2015-60609-0)
  216. Şimşek Ö, Buckmann M. 2015Learning from small samples: an analysis of simple decision heuristics. In Advances in Neural Information Processing Systems (NIPS), 7–12 December, 28. Montreal, Canada: NIPS.
  217. Olsson H.2021The strategy aggregation effect in judgment. PsyArXiv preprint. (doi:10.31234/osf.io/agpk5)
  218. Aoki K, Feldman MW. 2014Evolution of learning strategies in temporally and spatially variable environments: a review of theory. Theor. Popul. Biol.91, 3-19. (doi:10.1016/j.tpb.2013.10.004)  
  219. Kirke C. 2010Military cohesion, culture and social psychology. Defence Security Analysis26, 43-159.
  220. Gavrilets S. 2004Fitness landscapes and the origin of species. Princeton, NJ: Princeton University Press.
  221. Kaplan J. 2008The end of the adaptive landscape metaphor?Biol. Phil.23, 625-638. (doi:10.1007/s10539-008-9116-z)  
  222. Agarwala A, Fisher DS. 2019Adaptive walks on high-dimensional fitness landscapes and seascapes with distance-dependent statistics. Theor. Popul. Biol.130, 13-49. (doi:10.1016/j.tpb.2019.09.011)
  223. Fragata I, Blanckaert A, Louro MAD, Liberles DA, Bank C. 2019Evolution in the light of fitness landscape theory. Trends Ecol. Evol.34, 69-82. (doi:10.1016/j.tree.2018.10.009)  
  224. Olson ME, Arroyo-Santos A, Vergara-Silva F. 2019A user's guide to metaphors in ecology and evolution. Trends Ecol. Evol.34, 605-615. (doi:10.1016/j.tree.2019.03.001)  
  225. Van Der Maas HL, Dolan CV, Grasman RP, Wicherts JM, Huizenga HM, Raijmakers ME. 2006A dynamical model of general intelligence: the positive manifold of intelligence by mutualism. Psychol. Rev.113, 842. (doi:10.1037/0033-295X.113.4.842)  
  226. Mechkova V, Lührmann A, Lindberg SI. 2017How much democratic backsliding?J. Democracy28, 162-169. (doi:10.1353/jod.2017.0075)  
  227. Rawlings B, Flynn E, Kendal R. 2017To copy or to innovate? The role of personality and social networks in children's learning strategies. Child Dev. Perspect.11, 39-44. (doi:10.1111/cdep.12206)  
  228. Mesoudi A, Chang L, Dall SR, Thornton A. 2016The evolution of individual and cultural variation in social learning. Trends Ecol. Evol.31, 215-225. (doi:10.1016/j.tree.2015.12.012)  
  229. Glowacki L, Molleman L . 2017Subsistence styles shape human social learning strategies. Nat. Hum. Behav.1, 0098. (doi:10.1038/s41562-017-0098)  
  230. Mesoudi A, Chang L, Murray K, Lu HJ. 2015Higher frequency of social learning in China than in the West shows cultural variation in the dynamics of cultural evolution. Proc. R. Soc. B282, 20142209. (doi:10.1098/rspb.2014.2209)
  231. Billinger S, Stieglitz N, Schumacher TR. 2014Search on rugged landscapes: an experimental study. Org. Sci.25, 93-108. (doi:10.1287/orsc.2013.0829)
  232. Giannoccaro I, Galesic M, Massari GF, Barkoczi D, Carbone G. 2020Search behaviour of individuals working in teams: a behavioural study on complex landscapes. J. Business Res.118, 507-516. (doi:10.1016/j.jbusres.2019.10.045)
  233. Sloman S, Goldstone RL, Gonzalez C. 2019Complex exploration dynamics from simple heuristics in a collective learning environment. In Proc. of the Annual Conf. of the Cognitive Science Society, 24–27 July, pp. 2818-2824. Montreal, Canada: Cognitive Science Society.
  234. Claidière N, Sperber D. 2007The role of attraction in cultural evolution. J. Cogn. Cult.7, 89-111. (doi:10.1163/156853707X171829)
  235. Cosmides L, Tooby J. 1992Cognitive adaptations for social exchange. Adapted Mind163, 163-228.
  236. Gigerenzer G, Hug K. 1992Domain-specific reasoning: social contracts, cheating, and perspective change. Cognition43, 127-171. (doi:10.1016/0010-0277(92)90060-U)  
  237. Henrich J, McElreath R. 2003The evolution of cultural evolution. Evol. Anthropol. Issues News Rev.12, 123-135. (doi:10.1002/evan.10110)  
  238. Miton H, Claidière N, Mercier H. 2015Universal cognitive mechanisms explain the cultural success of bloodletting. Evol. Hum. Behav.36, 303-312. (doi:10.1016/j.evolhumbehav.2015.01.003)  
  239. Stubbersfield JM, Tehrani JJ, Flynn EG. 2015Serial killers, spiders and cybersex: social and survival information bias in the transmission of urban legends. Br. J. Psychol.106, 288-307. (doi:10.1111/bjop.12073)  
  240. Gross T, Blasius B. 2008Adaptive coevolutionary networks: a review. J. R. Soc. Interface5, 259-271. (doi:10.1098/rsif.2007.1229)
  241. Boyd R, Lorberbaum JP. 1987No pure strategy is evolutionarily stable in the repeated Prisoner's Dilemma game. Nature327, 58-59. (doi:10.1038/327058a0)  
  242. Rendell Let al.2010Why copy others? Insights from the social learning strategies tournament. Science328, 208-213. (doi:10.1126/science.1184719)  
  243. Brush ER, Krakauer DC, Flack JC. 2018Conflicts of interest improve collective computation of adaptive social structures. Sci. Adv.4, e1603311. (doi:10.1126/sciadv.1603311)
  244. Becker J, Brackbill D, Centola D. 2017Network dynamics of social influence in the wisdom of crowds. Proc. Natl Acad. Sci. USA114, E5070-E5076.  
  245. Kozyreva A, Lewandowsky S, Hertwig R. 2020Citizens versus the internet: confronting digital challenges with cognitive tools. Psychol. Sci. Public Interest21, 103-156. (doi:10.1177/1529100620946707)
  246. Pescetelli N, Rees G, Bahrami B. 2016The perceptual and social components of metacognition. J. Exp. Psychol.145, 949. (doi:10.1037/xge0000180)
  247. Heyes C. 2018Cognitive gadgets: the cultural evolution of thinking. Cambridge, MA: Harvard University Press.
  248. Janis IL. 1972Victims of groupthink. Boston, MA: Houghton Mifflin.
  249. Jost JT, Glaser J, Kruglanski AW, Sulloway FJ. 2003Political conservatism as motivated social cognition. Psychol. Bull.129, 339-375. (doi:10.1037/0033-2909.129.3.339)  
  250. Fairbrother M, Sevä IJ, Kulin J. 2019Political trust and the relationship between climate change beliefs and support for fossil fuel taxes: evidence from a survey of 23 European countries. Glob. Environ. Change59, 102003. (doi:10.1016/j.gloenvcha.2019.102003)
  251. Bargain O, Aminjonov U. 2020Trust and compliance to public health policies in times of COVID-19. J. Public Econ.192, 104316. (doi:10.1016/j.jpubeco.2020.104316)
  252. Sloman SJ, Goldstone RL, Gonzalez C. 2021A social interpolation model of group problem-solving. Cogn. Sci.45, e13066. (doi:10.1111/cogs.13066)  
  253. Heyes C. 2016Who knows? Metacognitive social learning strategies. Trends Cogn. Sci.20, 204-213. (doi:10.1016/j.tics.2015.12.007)  
  254. Lu JG, Jin P, English AS. 2021Collectivism predicts mask use during COVID-19. Proc. Natl Acad. Sci. USA118, e2021793118.
  255. Gigerenzer G. 1991From tools to theories: a heuristic of discovery in cognitive psychology. Psychol. Rev.98, 254. (doi:10.1037/0033-295X.98.2.254)
  256. Forrester JW. 1968Principles of systems. Cambridge, MA: Productivity Press.
  257. Maani KE, Cavana RY. 2007Systems thinking, system dynamics: managing change and complexity, 2nd edn. Auckland, New Zealand: Pearson Education New Zealand.
  258. Hammond RA, Ornstein JT. 2014A model of social influence on body mass index. Ann. N Y Acad. Sci.1331, 34-42. (doi:10.1111/nyas.12344)
  259. Acerbi A, Mesoudi A, Smolla M. 2021Individual-based models of cultural evolution. A step-by-step guide using R. London, UK: Taylor & Francis.
  260. Macy MW, Willer R. 2002From factors to actors: computational sociology and agent-based modeling. Annu. Rev. Sociol.28, 143-166. (doi:10.1146/annurev.soc.28.110601.141117)  
  261. Miller JH, Page SE. 2007Complex adaptive systems: an introduction to computational models of social life. Princeton, NJ: Princeton University Press.
  262. Smaldino PE. 2023Modeling social behavior: mathematical and agent-based models of social dynamics and cultural evolution. Princeton, NJ: Princeton University Press.
  263. Konstantinidis E, Harman JL, Gonzalez C. 2020Memory patterns for choice adaptation in dynamic environments. PsyArXiv preprint. (doi:10.31234/osf.io/f34qb)
  264. Holling CS. 1973Resilience and stability of ecological systems. Ann. Rev. Ecol. Syst.4, 1-23. (doi:10.1146/annurev.es.04.110173.000245)
  265. Saja AM, Teo M, Goonetilleke A, Ziyath AM. 2021A critical review of social resilience properties and pathways in disaster management. Int. J. Disaster Risk Sci.12, 790-804. (doi:10.1007/s13753-021-00378-y)
  266. Salganik MJ. 2019Bit by bit: social research in the digital age. Princeton, NJ: Princeton University Press.
  267. Schläpfer et al.. 2021The universal visitation law of human mobility. Nature593, 522-527. (doi:10.1038/s41586-021-03480-9)  
  268. Loreto V, Haklay M, Hotho A, Servedio VD, Stumme G, Theunis J, Tria F (eds). 2016Participatory sensing, opinions and collective awareness. Berlin, Germany: Springer.
  269. Dalege J, Borsboom D, Van Harreveld F, Van den Berg H, Conner M, Van der Maas HL. 2016Toward a formalized account of attitudes: the Causal Attitude Network (CAN) model. Psychol. Rev.123, 2. (doi:10.1037/a0039802)  
  270. van der Does T, Stein DL, Fedoroff N, Galesic M. 2021Science communication in light of moral and social concerns: testing a statistical physics model of belief change. OSF preprint (doi:10.31219/osf.io/zs7dq)
  271. Barron AT, Huang J, Spang RL, DeDeo S. 2018Individuals, institutions, and innovation in the debates of the French Revolution. Proc. Natl Acad. Sci. USA115, 4607-4612. (doi:10.1073/pnas.1717729115)
  272. Kozlowski AC, Taddy M, Evans JA. 2019The geometry of culture: analyzing the meanings of class through word embeddings. Am. Sociol. Rev.84, 905-949. (doi:10.1177/0003122419877135)
  273. Jablonka E, Lamb MJ. 2008Soft inheritance: challenging the modern synthesis. Genet. Mol. Biol.31, 389-395. (doi:10.1590/S1415-47572008000300001)  
  274. Richerson PJ, Boyd R. 2008Not by genes alone: how culture transformed human evolution. Chicago, IL: University of Chicago Press.
  275. Kallens PAC, Dale R, Smaldino PE. 2018Cultural evolution of categorization. Cogn. Syst. Res.52, 765-774. (doi:10.1016/j.cogsys.2018.08.026)
  276. Torney CJ, Berdahl A, Couzin ID. 2011Signalling and the evolution of cooperative foraging in dynamic environments. PLoS Comput. Biol.7, e1002194. (doi:10.1371/journal.pcbi.1002194)  
  277. Hein AM, Rosenthal SB, Hagstrom GI, Berdahl A, Torney CJ, Couzin ID. 2015The evolution of distributed sensing and collective computation in animal populations. Elife4, e10955. (doi:10.7554/eLife.10955)  
  278. Deffner D, Kandler A, Fogarty L. 2022Effective population size for culturally evolving traits. PLoS Comput. Biol.18, e1009430. (doi:10.1371/journal.pcbi.1009430)
  279. Smolla M, Akçay E. 2019Cultural selection shapes network structure. Sci. Adv.5, eaaw0609. (doi:10.1126/sciadv.aaw0609)  
  280. Akçay E. 2018Collapse and rescue of cooperation in evolving dynamic networks. Nat. Commun.9, 1-9. (doi:10.1038/s41467-018-05130-7)
  281. Dubey A, Pentland A. 2020Private and byzantine-proof cooperative decision-making. In AAMAS 2020, 9–13 May, pp. 357-365. Auckland, New Zealand: International Foundation for Autonomous Agents and Multiagent Systems.
  282. Pentland A. 2021Optimized human-AI decision making: a personal perspective. In Proc. of the 2021 Int. Conf. on Multimodal Interaction, 18–22 October, pp. 778-780. Montreal, Canada: Association for Computing Machinery.
  283. Dalege J, Borsboom D, van Harreveld F, van der Maas HL. 2018The attitudinal entropy (AE) framework as a general theory of individual attitudes. Psychol. Inquiry29, 175-193. (doi:10.1080/1047840X.2018.1537246)  
  284. Redner S. 2019Reality-inspired voter models: a mini-review. Comptes Rendus Physique20, 275-292.  
  285. Massari GF, Giannoccaro I, Carbone G. 2021Team social network structure and resilience: a complex system approach. IEEE Trans. Eng. Manag.70, 209-219.
  286. Morone F, Makse HA. 2015Influence maximization in complex networks through optimal percolation. Nature524, 65-68. (doi:10.1038/nature14604)  
  287. Tump AN, Pleskac TJ, Kurvers RH. 2020Wise or mad crowds? The cognitive mechanisms underlying information cascades. Sci. Adv.6, eabb0266.  
  288. Perc M, Jordan JJ, Rand DG, Wang Z, Boccaletti S, Szolnoki A. 2017Statistical physics of human cooperation. Phys. Rep.687, 1-51. (doi:10.1016/j.physrep.2017.05.004)  
  289. Haven E, Khrennikov A. 2013Quantum social science. Cambridge, MA: Cambridge University Press.
  290. Bettencourt LM, Cintrón-Arias A, Kaiser DI, Castillo-Chávez C. 2006The power of a good idea: quantitative modeling of the spread of ideas from epidemiological models. Physica A364, 513-536. (doi:10.1016/j.physa.2005.08.083)  
  291. Daley DJ, Kendall DG. 1964Epidemics and rumours. Nature204, 1118. (doi:10.1038/2041118a0)  
  292. Cooney DB, Morris DH, Levin SA, Rubenstein DI, Romanczuk P. 2022Social dilemmas of sociality due to beneficial and costly contagion. PLoS Comput. Biol.18, e1010670. (doi:10.1371/journal.pcbi.1010670)
  293. BBC News. 2022Covid map: Coronavirus cases, deaths, vaccinations by country. BBC World News. Seehttps://www.bbc.com/news/world-51235105.
  294. Schmelz K. 2021Enforcement may crowd out voluntary support for COVID-19 policies, especially where trust in government is weak and in a liberal society. Proc. Natl Acad. Sci. USA118, e2016385118. (doi:10.1073/pnas.2016385118)  
  295. Mullen B, Copper C. 1994The relation between group cohesiveness and performance: an integration. Psychol. Bull.115, 210-227. (doi:10.1037/0033-2909.115.2.210)  
  296. Payne JW, Bettman JR, Johnson EJ. 1988Adaptive strategy selection in decision making. J. Exp. Psychol.14, 534-552. (doi:10.1037/0278-7393.14.3.534)
  297. Rieskamp J, Otto PE. 2006SSL: a theory of how people learn to select strategies. J. Exp. Psychol.135, 207. (doi:10.1037/0096-3445.135.2.207)
  298. Griffiths TL, Callaway F, Chang MB, Grant E, Krueger PM, Lieder F. 2019Doing more with less: meta-reasoning and meta-learning in humans and machines. Curr. Opin. Behav. Sci.29, 24-30. (doi:10.1016/j.cobeha.2019.01.005)
  299. Mata R, Schooler LJ, Rieskamp J. 2007The aging decision maker: cognitive aging and the adaptive selection of decision strategies. Psychol. Aging22, 796. (doi:10.1037/0882-7974.22.4.796)
  300. Rieskamp J, Hoffrage U. 2008Inferences under time pressure: how opportunity costs affect strategy selection. Acta Psychol.127, 258-276. (doi:10.1016/j.actpsy.2007.05.004)
  301. Binz M, Gershman SJ, Schulz E, Endres D. 2022Heuristics from bounded meta-learned inference. Psychol. Rev.129, 1042. (doi:10.1037/rev0000330)
  302. Soll JB, Larrick RP. 2009Strategies for revising judgment: how (and how well) people use others’ opinions. J. Exp. Psychol. Learn. Mem. Cogn.35, 780-805. (doi:10.1037/a0015145)  
  303. Siders AR, Pierce AL. 2021Deciding how to make climate change adaptation decisions. Curr. Opin. Environ. Sustain.52, 1-8. (doi:10.1016/j.cosust.2021.03.017)
  304. Goldenberg A, Garcia D, Halperin E, Gross JJ. 2020Collective emotions. Curr. Dir. Psychol. Sci.29, 154-160. (doi:10.1177/0963721420901574)
  305. Bacaksizlar Turbic G, Galesic M. 2023Group threat, political extremity, and collective dynamics in online discussions. Sci. Rep.13, 2206. (doi:10.1038/s41598-023-28569-1)
  306. Turner ME, Horvitz T. 2001The dilemma of threat: group effectiveness and ineffectiveness under adversity. In Groups at work: theory and research (ed. Turner ME), pp. 445-470. New York, NY: Psychology Press.


（参考文献可上下滑动查看）



计算社会科学读书会第二季


计算社会科学作为一个新兴交叉领域，越来越多地在应对新冠疫情、舆论传播、社会治理、城市发展、组织管理等社会问题和社科议题中发挥作用，大大丰富了我们对社会经济复杂系统的理解。相比于传统社会科学研究，计算社会科学广泛采用了计算范式和复杂系统视角，因而与计算机仿真、大数据、人工智能、统计物理等领域的前沿方法密切结合。为了进一步梳理计算社会科学中的各类模型方法，推动研究创新，集智俱乐部发起了计算社会科学系列读书会。

【计算社会科学读书会】第二季由清华大学罗家德教授领衔，卡内基梅隆大学、密歇根大学、清华大学、匹兹堡大学的多位博士生联合发起。聚焦讨论Graph、Embedding、NLP、Modeling、Data collection等方法及其与社会科学问题的结合，并针对性讨论预测性与解释性、人类移动、新冠疫情、科学学研究等课题。读书会详情见文末，欢迎从事相关研究或对计算社会科学感兴趣的朋友参与学习。



详情请见：数据与计算前沿方法整合：计算社会科学读书会第二季启动



推荐阅读

1.  疫情防控与舆论传播：社交网络如何影响集体行为涌现？
2. 跨越时间的集体动力学特刊：从快速反应到个体发生和演化 
3. 全球集体行为：78亿人社会网络的危机管理
4. 《张江·复杂科学前沿27讲》完整上线！
5. 成为集智VIP，解锁全站课程／读书会
6. 加入集智，一起复杂！



点击“阅读原文”，报名读书会
继续滑动看下一个
集智俱乐部
向上滑动看下一个

您可能也对以下帖子感兴趣

文章有问题？点此查看未经处理的缓存