📄 social_science

A use of PageRank on social thinking studies: Improving the methods of the structural approach to social thinking

本文提出将 PageRank 算法应用于社会表征理论，将其作为一种比传统的联想度指标更稳健、更准确的方法，用于识别社会思想的核心内核，并已通过一项关于学生对大学看法的实证研究验证了该方法。

原作者： Rafael Wolter, João Paulo Costalonga

发布于 2026-09-08

📖 1 分钟阅读☕ 轻松阅读

原作者： Rafael Wolter, João Paulo Costalonga

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

人类并非孤立地思考；我们拥有一个共同的思想，一个将社群联系在一起的、庞大且无形的思想网络。当一群人讨论一个熟悉的概念（如大学或工作）时，他们不仅仅是在罗列随机的事实。相反，他们的思维形成了一个结构化的景观：其中一些想法是沉重的、核心的、不可动摇的，而另一些则是轻盈的、灵活的、可随情境而变化的。这种被称为“社会思维结构化方法”的概念表明，每一项共享的信念都有一个核心——一个定义了群体真实信仰的坚实中心，周围环绕着允许该信念适应不同人群和环境的细节边缘。几十年来，心理学家一直试图绘制这种心理景观，利用数学工具来确定哪些想法位于群体意识的最核心，而哪些想法则漂浮在边缘。挑战始终在于如何衡量一个想法的真正重要性，而不被数据的噪声所误导。

在最近的一项研究中，来自巴西圣埃斯皮里图联邦大学的研究员拉斐尔·沃尔特（Rafael Wolter）和若昂·保罗·科斯塔隆加（João Paulo Costalonga）提出了一种解决这一谜题的新方法。他们转向了一个最初为完全不同的目的而设计的工具：互联网。他们选择的算法被称为 PageRank，正是谷歌用来决定哪些网站出现在搜索列表顶端的数学引擎。正如一个网站如果被许多其他重要的网站链接，就会被视为重要一样，研究人员认为，如果一个想法与许多其他重要的想法相连，那么这个想法在群体思维中就是重要的。通过将这种逻辑应用于社会思维研究，他们希望能够更准确地绘制出群体如何组织其知识的地图，使之能够识别出即使没有单一最强连接的想法也具有的真实强度。

为了测试这种新方法，团队观察了 234 名巴西高中生如何看待“大学”这一概念。学生们被平均分为公立学校和私立学校两组，提供了两个截然不同的群体进行比较。研究人员要求学生将十八个与大学生活相关的词汇（如“努力”、“金钱”、“自由”和“奉献”）按其与“大学”概念的契合程度进行分类。根据这些回答，团队构建了一个网络，其中每个词是一个点，而连接它们的线则代表了学生们感知到的词汇之间的亲密程度。传统上，研究人员会通过构建“最大生成树”来分析这种网络，这是一种简化的结构，它只保留最强的连接并切断其他所有连接以避免循环。这种方法计算的是“关联度”，即在这一简化地图中一个词拥有多少条强连接线。

研究人员发现，这种传统方法极其脆弱。它就像一个筛子，会让最重要的细节从缝隙中溜走。如果一个词有很多良好的连接，但其中没有任何一个绝对是最强的，传统方法可能会把它们全部切掉，从而使该词看起来微弱且不重要。然而，新的 PageRank 方法会同时观察整个网络。它不会切断连接；相反，它计算在整个系统中从一个想法移动到另一个想法的概率。它认识到，一个想法之所以强大，是因为它能持续地与其他强大的想法相连，即使没有任何单一的连接是所有连接中最强的。

当研究人员将两种方法应用于学生的调查数据时，结果揭示了这两个群体在看待教育问题上的惊人差异。在私立学校组中，“努力”一词在传统地图中表现得像个次要角色，因为它没有获得单一最强的连接，因此得分较低。然而，PageRank 方法显示，“努力”实际上是整个网络中最核心的想法，拥有最高的得分。它与如此多的其他重要概念相连，构成了他们思维的真正骨干，而旧方法完全忽略了这一点。同样，在公立学校组中，“学习”一词在传统方法中被降级到了地图的最边缘，表现为一个微弱且孤立的叶片。然而，Page-Rank 分析显示，它是他们思想中第二重要的想法，深深地编织在他们的集体思维之中。

这些发现表明，旧的测量社会思维的方法往往对群体思想的真实结构视而不见。传统方法倾向于青睐那些拥有一个或两个巨大连接的想法，而忽略了那些在整体上保持一致重要性的想法。相比之下，新方法提供了一个更加稳健且准确的图景。它表明，虽然公立和私立学校的学生都认同“奉献”和“努力”的重要性，但在重视其他概念方面存在显著差异。例如，“工作”的概念对私立学校学生而言是核心，但对公立学校学生而言则是边缘；而“未来”对于公立学校组来说是一个驱动力，对于私立学校组则程度较轻。

这项研究并不声称已经解决了人类思维之谜，但它提供了一个更清晰的视角。通过借用数字世界的工具来绘制人类心灵的地图，研究人员展示了衡量重要性的方式至关重要。PageRank 方法揭示了群体信念系统的核心往往比此前认为的更加复杂且相互关联，隐藏在简化的地图表面之下。它允许科学家看到一个想法的真实分量，不仅看它如何大声疾呼，更看它如何在群体所相信的一切事物中产生深远的共鸣。这种视角的转变，为更精确地理解不同社会群体（凭借其独特的经历和背景）如何构建引导其生活的共享现实，打开了大门。

技术摘要：通过 PageRank 改进社会思维结构方法的分析方法

问题陈述
由 Moscovici 开创并由 Abric 和 Flament 实现的操作化研究，其社会表征理论的结构方法依赖于图论来区分群体集体思维中的“核心中心”（高度连接、具有共识性的元素）与“边缘元素”（灵活、具适应性的元素）。传统上，研究人员使用基于**最大生成树（MST）的相似性矩阵所衍生的关联度（associative degree）**来量化认知元（基本概念）的“关联能力”。

作者指出了该传统指标存在的关键技术局限性：

数据敏感性： 关联度对输入数据的微小变化极其敏感，导致结果不稳定。
信息丢失： MST 算法通过消除边来防止环路，这往往会切断重要的次级连接。这可能会人为地将一个高度连接的节点归类为边缘地位（低关联度），仅仅是因为它的连接权重不是网络中最重的。
歧义性： 对于同一组数据集，可能存在多个有效的最大生成树，从而导致关联度的计算出现不一致。
无法捕捉细微差别： 该指标未能考虑到连接的“质量”（即是否与具有影响力的节点相连）以及网络的密度，而是仅关注最强局部连接的存在性。

方法论
为了解决这些病理现象，作者提出改编 PageRank 算法（最初由 Brin 和 Page 开发用于网页搜索），将社会思维建模为马尔可夫链的转移概率。

数据收集： 研究采用了来自巴西的 234 名高中生样本（117 名私立学校学生，117 名公立学校学生）。参与者通过 choix-par-bloc 技术（选择 6 个最相关的、6 个最不相关的以及 6 个未使用的概念）对与“大学”这一对象相关的 18 个认知元进行评估。
相似性矩阵： 根据参与者的反应（最相关为 +1，最不相关为 -1，否则为 0）计算每对认知元之间的距离指数。
PageRank 改编：
- 将相似性矩阵转换为转移概率矩阵 $P$ 。
- 将负向相似性值设为零（无转移）。
- 转移概率 $p(s, t)$ 被定义为归一化后的相似性指数 $q(s, t)$ 相对于状态 $s$ 所有输出相似性总和的比值。
- 作者假设网络是不可约的（没有分离的状态），以确保存在唯一的平稳分布。
- 认知元的 PageRank 值被定义为方程 $XP = X$ 中的平稳概率 $x_i$ ，代表系统访问该状态的长期比例。
比较： 研究计算了两种学生群体的传统关联度（通过 MST）和 PageRank，以对比它们的结构识别结果。

关键结果
该实证应用揭示了两种指标之间的显著差异，证明了 PageRank 在捕捉结构影响力方面的优越性：

解决“虚假边缘化”问题：
- 在私立学校数据集中，“努力”（Effort）的关联度较低（2），但获得了最高的 PageRank（6.9417）。MST 算法剥夺了“努力”与其核心节点（如“知识”与“奉献”）之间密集的、中等强度的连接，将其简化为一个单纯的桥梁。PageRank 则通过其与具有影响力的节点的持续连接，识别出了其系统重要性。
- 在公立学校数据集中，“学习”（Studying）被分配了最小的关联度（1），在 MST 中表现为一个边缘叶节点。然而，它获得了第二高的 PageRank（6.8061），仅次于“奉献”（Dedication）。MST 算法边缘化了“学习”，是因为它的许多连接并非满足生成树要求的绝对最大权重，尽管它在原始数据中拥有密集的关联网络。
鲁棒性与敏感性：
- PageRank 提供了一种更稳定的核心识别方式，避免了 MST 中由于数据微调可能导致节点角色互换的“病理现象”。
- 该指标成功区分了不同群体：在私立学校网络中，“工作”（Work）是核心（PageRank 6.05），而在公立学校网络中则是边缘（PageRank 4.47）；同时，“未来”（Future）对公立学校学生是核心（6.549），而对私立学校学生则相对较弱（5.779）。

意义与主张
论文声称，改编 PageRank 提供了一种方法论创新，在不抛弃理论基础的前提下，克服了结构方法的各种技术局限。

精细化的结构分析： PageRank 基于整个网络的连接情况而非简化的子集（生成树）来捕捉中心性。它同时考虑了连接的数量以及所连接节点的影响力。
精确的比较分析： PageRank 内在的概率归一化允许对不同社会群体（如公立与私立学校）进行严谨的结构比较，揭示了社会教育背景如何塑造社会表征的认知架构。
理论进步： 通过准确量化认知元的系统共鸣，该方法促进了结构同构性（符号系统与社会关系之间的对应关系）的测量。它使研究者能够观察到同一个概念（如“努力”）如何根据群体的社会定位而持有不同的结构权重。
跨学科贡献： 这项工作架起了社会心理学与图论之间的桥梁，证明了受共识、冲突和情感影响的认知网络需要能够处理语义细微差别和负权重的数学模型，从而推动了图论超越传统的应用领域。

作者总结道，这种方法通过提供一种现代且鲁棒的工具来形式化研究集体心灵，致敬了数学心理学的遗产（引用 Flament），超越了以往指标的“技术障碍”，从而揭示了社会思维中核心中心与边缘系统的全新动态。

类似论文