The building blocks of social structure: simulating constraints of social network analysis for inference about group-level properties
本文提出了一种模拟模型，该模型将全球社会网络指标与潜在的行为过程（如个体倾向、生态约束和观察偏差）联系起来，旨在展示忽视这些因素如何会导致对动物群体层面社会结构的偏误推断。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
动物生活在复杂的社会世界中，个体不断地聚拢又散开。为了理解这些社会是如何运作的，科学家经常转向一种被称为社会网络分析的方法。这种方法将一个群体视为一张连接图，其中每个动物都是一个点，而他们每次共同出现就是一条连接他们的线。通过计算这些线条的数量并测量它们交织的紧密程度，研究人员可以计算出描述群体整体形态的数值，例如连接有多拥挤，或者群体如何分裂成更小的圈子。这些数值是强大的工具，可用于比较不同物种或追踪社会随时间的变化。然而，一个关键问题仍然存在：这些数字是真的反映了动物隐藏的社交偏好，还是仅仅是由于群体规模、动物移动方式或科学家观察时长而产生的偏差？如果这些数字受到这些外部因素的影响，研究人员可能会对社会为何如此构建得出错误的结论。
一个研究小组致力于解决这个谜题，他们建立了一个“分合型社会”（fission-fusion society）的数字模型，这是一种社会系统，其中的群体会频繁地分裂与合并，就像黑猩猩和倭黑猩猩的社会一样。他们没有观察野外的真实动物，而是创建了一个虚拟种群，每个个体都有特定的、隐藏的社交偏好。然后，他们编写了一个计算机程序来模拟这些虚拟动物如何在一天中形成临时的聚会，模仿野外研究人员观察它们的方式。该团队运行了数千次模拟，系统地改变游戏规则，以观察由此产生的社会图谱如何变化。他们测试了当总群体规模增长时、当每日聚会规模波动时、当某些个体天生比其他个体更具社交性时，以及当研究人员观察时长不同时，会发生什么情况。
模拟结果显示，科学家用来描述社会结构的数值比此前意识到的对环境更为敏感。最强大的驱动因素仅仅是群体中的动物数量。随着群体规模的扩大，个体之间计算出的连接变得不再那么密集，这并不是因为动物变得不友好，而是因为能够在一起的组合方式变得更多了。即使研究人员调整了计算方法以考虑这一点，群体规模仍然会以复杂且非线性的方式扭曲其他测量指标。例如，每个动物与群体其余部分的连接变异性随群体规模的变化而剧烈变化，这表明较大的群体自然会创造出个体之间的更多差异，无论其具体的性格如何。
研究还表明，观察者的行为与动物的行为同样重要。当模拟中的研究人员更多地关注那些天生更具社交性的个体时，生成的社会图谱看起来会有显著不同，这夸大了这些特定动物的重要性，并扭曲了群体的整体图景。同样，观察群体所花费的时间也产生了深远的影响。较短的观察期（如三十天）会产生高度变异且往往具有误导性的结果，使群体看起来比实际情况更加碎片化和不可预测。模拟表明，研究人员需要观察一个群体至少一百八十天，或者大约每个个体对应两天的时间，数据才能稳定到足以被信任的程度。
或许最令人惊讶的是，研究小组发现，紧密的小组（或称“小圈子”）的存在并不总是会让社会图谱看起来更加分裂。小圈子的数量与群体整体结构之间的关系并不是一条直线。在某些情况下，拥有几个明显的小圈子会让群体看起来更统一；而在另一些情况下，它又会造成剧烈的分歧。结果表明，真实的黑猩猩和倭黑猩猩群体可能并不形成僵化、永久的小圈子。相反，它们维持着一种灵活的结构，个体通过容忍一定程度的社交不确定性来保持整个群体的连接，从而避免社会永久分裂的风险。
最终，这项工作为任何研究动物社会的人提供了至关重要的警告和指南。它表明，我们从社会网络中计算出的数字并不是窥探动物心灵的直接窗口；它们是真实的社交偏好、环境约束以及我们自身观察局限性共同作用下的产物。研究人员并没有找到一个描述社会的单一“正确”数字。相反，他们展示了要理解一个社会网络指标的真正含义，必须首先了解测量它的特定条件。通过使用这些模拟实验来将真实的社交行为信号与人口统计学和观察偏差带来的噪声分离，科学家们可以开始打开动物社会结构的“黑箱”，理解塑造群体共同生活的真实进化力量。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。