📄 social_science

Networks of commitments: from social ties to normative expectations

本文提出了一种协同演化基于个体的模型，展示了个体信念如何通过一个反馈循环进行动态演化，在该循环中，共同承诺构建了社会联系，而社会联系反过来又产生了规范性预期并重塑未来的承诺，从而导致诸如极化、趋同或碎片化等复杂结果。

原作者： Tiziano Distefano, Pietro Guarnieri, Laura Marcon

发布于 2026-07-15

📖 1 分钟阅读☕ 轻松阅读

原作者： Tiziano Distefano, Pietro Guarnieri, Laura Marcon

原始论文采用 CC BY 4.0 许可（https://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

想象一个连接着 1,000 人的巨大、隐形的网络。其中一些人已经准备好投入到一个伟大的集体项目中（比如拯救地球），而另一些人则还在观望。这篇论文使用计算机模拟来观察，当人们开始彼此许下承诺，并随后观察其他人都在做什么时，这个网络会发生怎样的变化。

以下是基于作者的数字实验，关于信念如何传播、停滞或爆发成混乱的故事。

两步舞曲：承诺与瞥视

作者提出，改变你对一个宏大目标的看法是一个两步循环的过程，就像一场在“承诺”与“瞥视”之间的舞蹈。

第一步：握手（共同承诺）
首先，想象两个人正在交谈。如果他们都感受到了“我准备好了！”的火花，他们就会握手。在模拟中，这次握手创造了一个社会纽带——一种特殊的联系，让他们感到有一种相互履行的义务去共同行动。这不仅仅是个人层面的承诺，而是一种将彼此绑定的“我们承诺”。

陷阱： 只有当关于目标的“信息”清晰且易于获取时，这种握手才会发生。作者称之为信息显著性（用数字 s 表示）。
- 如果信息非常清晰（s 较低，如 0.2），握手就很容易。
- 如果信息模糊或难以找到（s 较高，如 0.8），建立这种连接就非常困难。

第二步：人群检视（规范性预期）
一旦握手完成，舞者们就会环顾四周。他们会问：“我的小圈子朋友是唯一在做这件事的人吗，还是全世界都在做这件事？”

他们会将自己的局部圈子（他们特定群体的紧密程度）与全球人群（其他所有人的连接程度）进行比较。
如果他们看到自己的局部圈子非常紧密，但世界其他地方都处于脱节状态，他们可能会想：“噢，也许这并不是什么大事，”从而导致热情下降。
如果他们看到整个世界都充满了连接，他们会想：“哇，大家都在做！”从而使热情飙升。

模拟实验：在数字世界中会发生什么？

作者针对不同的场景运行了 50 次这场舞蹈，以观察会出现什么样的模式。他们并没有证明这在现实生活中一定会发生，他们只是在计算机上进行了模拟，以观察可能发生的情况。

1. “全或无”的极化
在某些场景下，群体会分裂成两个极端阵营。你会得到一群 100% 投入的人和一群 0% 投入的人，中间几乎没有人。

何时发生？ 当信息非常清晰（低 s）且人们对局部朋友的看法非常敏感时，就会发生这种情况。
结果： 群体发生断裂。你会得到一种“我们对阵他们”的局面，投入的人超级投入，而其他人则完全脱节。

2. “模糊”导致的停滞
如果关于目标的信息不清晰或难以找到（高 s，如 0.8），这场舞蹈就会停止。

结果： 人们找不到彼此来握手。网络保持破碎，信念几乎没有变化。群体最终看起来和开始时一模一样。作者认为，如果没有清晰的信息，即使是一个伟大的想法也可能会枯萎。

3. “局部陷阱”
有时，一个小群体会变得异常兴奋并互相做出许多承诺。但如果网络的其他部分看起来是脱节的，这些人实际上可能会失去动力。

发现： 模拟表明，如果你的局部圈子很紧密，但全球网络很松散，你可能会觉得自己是个异类，从而决定退出。反之，如果整个网络看起来是相互连接的，即使是最初持怀疑态度的人也会加入进来。

4. “惊喜”的离群值
模拟显示了一些奇怪的现象：有时，两个人的初始热情水平完全相同，但最终结果却截然不同。一个人成为了超级活动家，而另一个人却放弃了。

为什么？ 系统具有敏感性。最初接触的对象产生的微小差异，会将他们引向完全不同的路径。这就像社交网络中的蝴蝶效应。

核心启示：不仅仅是“说话”

论文认为，你不能只是告诉人们“去做正确的事”。仅仅让一些人做出承诺是不够的。

建议： 为了让一场运动传播开来，局部的承诺需要与更广泛世界的感受相匹配。如果一个小群体在努力工作，却感觉到世界其他地方并不在意，那么这场运动可能会夭折。
警告： 如果关于“为什么要行动”的信息混乱或难以寻找，整个系统可能会崩溃，没有人会建立连接。

这篇论文“没有”在说什么

它不是万灵药： 作者明确指出这是一个模拟，而不是关于真实人类的既定事实。他们还没有在真实的城市或气候运动中测试它。
它不是关于金钱或威胁： 该模型并不观察支付报酬或惩罚行为。它只观察信念、承诺以及人们对他人行为的看法。
它不是成功的保证： 事实上，模拟显示，有时即使人们在交流并做出承诺，群体的总行动量反而可能下降，如果信号变得混乱的话。

总结

作者认为，改变世界是一个微妙的平衡过程。它既需要一个清晰的信号（易于获取的信息）以便人们做出局部承诺，也需要这些局部承诺感觉像是更大规模全球浪潮的一部分。如果局部圈子感觉与全球人群脱节，那么这股浪潮可能会在到达岸边之前就崩塌。

论文最后写道：“我们认为这就是其运作方式，但我们需要通过真实的调查和实验来进行测试以确保准确。”因此，虽然数字化的舞蹈非常迷人，但现实世界的编舞仍在探索之中。

技术摘要：承诺网络：从社会纽带到规范性预期

问题陈述
本文探讨了规模化集体行动的挑战，特别是在气候变化等涉及个人利益与公共物品冲突的全球性问题背景下。虽然现有研究强调了这些问题的多层级性质，但对于个体如何更新其关于集体行动信念的具体行为机制，仍缺乏充分的探索。作者指出，在从局部实验转向更广泛的社会采纳过程中，为何会出现成功的规模化，或者为何往往会失败，目前尚不明确。核心问题在于解释局部共同承诺（joint commitments）如何与网络层级的规范性预期（normative expectations）相互作用，从而决定信念的变化是能够规模化扩展，还是仅局限于特定子群体。

方法论
作者开发了一个结合社会网络分析（SNA）的协同演化智能体建模（ABM），用以模拟共同承诺与规范性预期之间的相互作用。该模型在一个由 $n=1000$ 个智能体组成的动态、二元、无权网络上运行，其中的链路代表通过共同承诺形成的社会纽带。

该机制由一个两阶段反馈回路构成：

第一阶段：共同承诺与纽带形成。 智能体拥有初始的“个体准备度”（ $p_j$ ）以参与集体行动，该准备度取自各种分布（均匀分布、高斯分布或伽马分布）。在每个时间步，智能体进行交互。如果两个智能体的个体准备度乘积（ $p_j \cdot p_k$ ）超过阈值 $s$ ，则形成一个共同承诺（及由此产生的社会纽带）。该阈值 $s$ 代表了有关集体目标的信息的易得性和显著性。较低的 $s$ 意味着更高的显著性，使得纽带形成更加容易。
第二阶段：规范性预期与信念更新。 智能体根据“规范性预期”（定义为关于他人认为什么是合适的的二阶信念）来更新其准备度。智能体将其局部聚类系数（ $c_j$ $c_{j}$ ，代表其直接群体内的纽带密度）与全局聚类系数（ $c$ $c$ ，代表整个网络中的纽带密度）进行比较。
- 差异 $d_j = c - c_j$ 作为梯度。
- 智能体根据以下规则更新其准备度： $p_j(t+1) = p_j(t) \cdot e^{\omega_j \cdot d_j(t)}$ 。
- 参数 $\omega_j$ 代表智能体对规范性预期的敏感度。若 $\omega_j > 0$ ，智能体遵循全局趋势；若 $\omega_j < 0$ ，则遵循局部趋势；若 $\omega_j = 0$ ，则不受影响。

模拟运行至收敛，通过交叉三种初始准备度分布（ipc）与四种规范性预期敏感度分布（sne），在不同的信息显著性（ $s$ ）水平下测试了12种场景。

核心贡献

理论整合： 本文整合了玛格丽特·吉尔伯特（Margaret Gilbert）的共同承诺理论（侧重于直接互动产生的相互义务）与克里斯蒂娜·比契耶里（Cristina Bicchieri）的社会预期理论（侧重于关于他人认为应当做什么的二阶信念）。这创建了一个统一的框架，使承诺形成与基于规范的推断能够协同演化。
内生网络动力学： 不同于具有固定拓扑结构的模型，本框架将网络结构视为内生的。链路的创建或销毁基于智能体不断演化的准备度和信息的显著性。
规模化机制： 模型将局部参与度与全局扩散之间的差异形式化，作为驱动信念更新的机制。它假设规模化取决于局部共同承诺与感知的更广泛规范环境之间的对齐程度。

模拟结果
模拟揭示了导致三种主要聚合结果的非线性、路径依赖型动力学：极化、收敛与碎片化。

信息显著性（ $s$ ）的影响： 高显著性（低 $s$ ）促进了纽带的形成并允许显著的信念更新。低显著性（高 $s$ ）阻碍了纽带形成，导致系统保持接近其初始状态。
初始条件与敏感度：
- 极化： 当信息显著性较高且智能体在局部与全局信号的敏感度方面存在异质性时（例如 sne-ΓR 情况，即智能体具有局部锚定性），极化现象表现得非常强烈。这可能导致双峰分布，即智能体要么完全承诺，要么完全脱离。
- 收敛： 当智能体对全局信号敏感（sne-ΓL）或初始准备度较低但信息显著性较高时，会出现收敛现象，驱动智能体趋向于一个共同的承诺水平。
- 碎片化： 在中等显著性和特定的敏感度分布下观察到碎片化，此时网络无法凝聚成稳定的集群。
聚合社会贡献（ASC）： 对集体行动的总贡献并不总是随着互动的增加而增加。在某些场景中（特别是高显著性伴随局部锚定时），极化可能导致 ASC 低于初始状态。相反，高显著性可以补偿极化以维持贡献，而低显著性则使收敛行为在社会绩效方面更为有效。
个体轨迹： 在微观层面，智能体表现出波动、特异性的路径，包括围绕阈值的振荡、突然的变化以及偏离初始条件，凸显了系统的混沌本质。

意义与主张
本文声称提供了一种“风格化的、由理论驱动的描述”，阐述了共同承诺与规范性预期如何在网络结构中协同演化。它并不声称提供关于所有集体行动的普遍解释，也不对策略性收益或制度执行进行建模。

其主要意义在于证明了共同承诺是实现大规模协调的必要但不充分条件。模型表明，规模化的成功关键取决于：

局部参与度与感知的全局支持之间的对齐。
关于集体目标的信息显著性。
智能体对规范性预期敏感度的异质性。

作者得出结论，应对集体行动问题的有效响应需要既促进局部共同承诺，又同时确保这些承诺在更广泛的网络层面被感知为规范上是恰当的。他们建议，通过放大早期承诺的针对性运动，可以强化承诺与预期之间的反馈回路，从而可能解决集体行动问题。该研究承认了其局限性，指出该模型并非经过经验校准，未来的工作应侧重于通过调查实验和基于网络的干预措施进行实证验证。

两步舞曲：承诺与瞥视

模拟实验：在数字世界中会发生什么？

核心启示：不仅仅是“说话”

这篇论文“没有”在说什么

总结

类似论文