🔬 physics

Why We Experience Society Differently: Intrinsic Dispositions as Drivers of Ideological Complexity in Adaptive Social Networks

本文通过研究具有不同行为倾向（趋同性、新奇趋向或从众性）的自适应社交网络模型发现，个体的观点演化复杂性主要由其内在认知倾向驱动，而非仅取决于外部环境，这解释了为何即使在相似的社会结构中，不同个体对意识形态波动和不确定性的体验也会存在显著差异。

原作者： Akshay Gangadhar, Hiroki Sayama

发布于 2026-02-10

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Akshay Gangadhar, Hiroki Sayama

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇文章的研究非常有意思，它探讨了一个深刻的问题：为什么在同一个社会里，每个人感受到的“世界”却完全不同？ 有人觉得社会很稳定，有人觉得世界变幻莫测，有人觉得充满了冲突。

为了让你轻松理解，我们可以把这个复杂的数学模型想象成一个**“社交派对”**。

1. 背景设定：派对上的三种“人格”

想象一下，在一个大型派对上，每个人都有自己的社交习惯（这就是论文里的“内在倾向”）：

“抱团派” (Homophily - 同质性倾向)： 这类人只喜欢和自己观点相似的人聊天。他们觉得“志同道合”最安全。
“猎奇派” (Neophily - 新奇倾向)： 这类人像探险家，专门去找那些说些新鲜事、甚至跟自己完全不一样的人聊天。他们追求“新鲜感”。
“随大流派” (Social Conformity - 社会从众倾向)： 这类人非常在意“大家都在说什么”。如果周围人都觉得某件事是对的，他们就会迅速调整自己的看法，试图融入集体。

2. 意想不到的发现：性格决定了你的“混乱度”

科学家们用了一种叫“Lempel-Ziv 复杂度”的工具，简单来说，就是测量一个人的观点变化**“有多难预测”**。如果一个人的观点总是重复、有规律，复杂度就低；如果变化乱七八糟、完全猜不到下一步，复杂度就高。

结果发现，这些人的“社交性格”竟然带来了非常反直觉的结果：

“抱团派”：越抱团，生活越混乱！
- 直觉： 既然只跟一样的人玩，生活应该很稳定吧？
- 现实： 科学家发现，因为他们不断地在小圈子里强化相似观点，这种“自我强化”反而像滚雪球一样，让小圈子的变化变得越来越不可预测。就像一群人聚在一起不断放大同一个声音，最后声音变得越来越杂乱无章。
“猎奇派”：虽然爱冒险，但生活其实很规律！
- 直觉： 每天找新鲜事，生活应该每天都在变吧？
- 现实： 结果发现他们的观点复杂度反而很低且很稳定。因为他们虽然在找新鲜感，但这种“寻找”本身变成了一种有规律的习惯，最终他们的观点在探索中达到了一种“动态平衡”，并没有陷入真正的混乱。
“随大流派”：先变乖，后变疯！
- 直觉： 跟着大家走，生活应该很平稳。
- 现实： 他们经历了一个“两阶段”的过程。刚开始，他们确实很听话，观点很统一（低复杂度）；但随着派对进行，由于大家都在互相影响，这种模仿最终会导致一种连锁反应，让整个群体的观点在后期变得极其难以预测（高复杂度）。

3. 核心结论：你的“内心”决定了你的“世界”

这篇论文最牛的地方在于，它做了一个**“性格大改造”实验**。

科学家假设：如果派对的环境（周围的人、音乐、食物）完全不变，我们突然把一个“抱团派”变成“猎奇派”，这个人的生活轨迹会发生变化吗？

答案是：会！而且变化非常显著。

这意味着：你觉得这个世界是稳定还是动荡，不仅仅是因为社会环境变了，更因为你对待世界的“方式”变了。

总结一下（大白话版）：

这篇文章告诉我们：“世界是什么样，很大程度上取决于你是怎样的人。”

如果你是一个极度追求一致性的人，你可能会发现生活在某种自我强化的力量下，变得越来越不可控；
如果你是一个追求新鲜感的人，你可能会在不断的探索中，反而找到了一种稳定的节奏；
如果你是一个随大流的人，你可能会先享受短暂的安稳，然后陷入长期的混乱。

社会的不平等和复杂性，不仅来自于外部环境的差异，更来自于我们每个人内心深处那套不同的“社交算法”。

这是一篇关于复杂系统与社会动力学的学术论文，探讨了在自适应社会网络中，个体的内在行为倾向如何驱动其观点演化的复杂性。以下是对该论文的详细技术总结：

1. 研究问题 (Problem)

传统的观点动力学（Opinion Dynamics）模型通常假设个体行为是同质的（即所有人的行为规则相同），或者仅关注宏观层面的指标（如整体极化程度、网络连通性）。这种方法忽略了两个关键维度：

个体层面的差异性：不同个体在认知和行为上的差异如何影响其观点的演化轨迹。
动态演化的复杂性：观点不仅是数值的变化，其随时间变化的“不可预测性”或“复杂性”本身也是一种重要的特征。

研究的核心问题是：社会中的观点不平等和动态差异，究竟是由外部网络结构（环境）驱动的，还是由个体的内在行为倾向（认知特质）驱动的？

2. 研究方法 (Methodology)

研究者构建了一个基于自适应社会网络（Adaptive Social Network）的数学模型，并引入了信息论工具进行量化分析。

A. 模型构建

模型包含 $n$ 个节点，每个节点具有观点 $x_i$ 和边权重 $w_{ij}$ 。动力学由以下三个核心行为因子驱动：

趋同性 (Homophily, $h$ )：倾向于与观点相似的人建立更强的联系。
新奇趋向 (Neophily, $a$ )：倾向于关注与当前社会规范不同的新颖观点。
社会从众 (Social Conformity, $c$ )：倾向于使自己的观点向邻居的平均观点靠拢。

B. 复杂度度量：归一化 Lempel-Ziv (nLZ) 复杂度

为了衡量观点演化轨迹的“不可预测性”，研究者使用了 nLZ 复杂度。

原理：通过评估观点序列的可压缩性来衡量其复杂度。序列中重复模式越少，压缩越困难，复杂度越高。
优势：nLZ 对长程时间结构敏感，能够捕捉随时间累积的动态特征，而非瞬时的波动。

C. 实验设计

研究设计了三种场景进行对比：

场景 1 (Pure Networks)：纯净网络，所有个体具有相同的行为倾向。
场景 2 (Dual Faction Networks)：双派系网络，两种不同倾向的个体各占 50%。
场景 3 (Mixed Networks)：混合网络，个体行为参数在不同范围内随机分布（高度异质性）。

D. 因果干预测试 (Causal Intervention Test)

为了区分“相关性”与“因果性”，研究者进行了干预实验：在网络演化到一半时，保持外部环境（网络结构、邻居观点）完全不变，仅改变某个特定节点的内部行为参数（例如将趋同型改为从众型），观察其 nLZ 复杂度的变化。

3. 核心结果 (Key Results)

A. 行为特有的复杂度特征 (Behavior-specific Signatures)

研究发现，不同倾向的个体表现出截然不同的、甚至违反直觉的复杂度轨迹：

趋同型 (Homophilic) $\rightarrow$ 复杂度递增：尽管他们追求相似性，但由于不断强化相似关系，导致局部结构演化产生累积效应，使得长期观点轨迹变得越来越不可预测。
新奇型 (Neophilic) $\rightarrow$ 复杂度稳定且低：尽管他们追求新奇，但这种持续的探索反而导致了动态上的“受限探索”，观点轨迹在早期就趋于稳定且具有规律性。
从众型 (Conformic) $\rightarrow$ 双相轨迹：早期表现为复杂度下降（通过从众抑制了差异），后期随着网络自适应演化，复杂度再次上升（由于局部不一致性的积累）。

B. 内部倾向的主导作用

在所有场景（从同质到高度异质）中，上述复杂度模式具有高度的一致性。这意味着个体的行为特质比外部网络环境更能决定其观点的复杂程度。

C. 因果验证

干预实验证实，改变单个节点的行为参数会引起其 nLZ 复杂度的系统性偏移。例如，将节点从从众型转为趋同型，会显著增加其观点的不可预测性。这证明了内在行为规则对观点复杂性的驱动具有直接的因果作用。

4. 研究意义 (Significance)

理论贡献：
- 提出了一个从“个体动力学指纹”（Individual Dynamical Fingerprint）角度理解社会极化和碎片化的新视角。
- 打破了“社会体验完全由环境决定”的传统假设，证明了社会体验（如观点的不确定性、波动性）可能是由个体认知倾向内生构建的。
社会学启示：
- 解释了为什么在相似的社会环境中，不同的人会对社会动荡或意识形态变化产生完全不同的感知。
- 暗示了社会的不稳定性不仅来自于外部事件或结构，也来自于个体行为模式（如趋同性）与自适应网络相互作用时产生的内生复杂性。
方法论创新：
- 结合了自适应网络模型、信息论（nLZ）和因果干预分析，为复杂系统研究提供了一套严谨的、从微观行为到宏观现象的分析框架。