認知神經科學前沿文獻分享
基本信息
標題：Inferring the internal structure of groups through the integration of statistical learning and causal reasoning（透過整合統計學習與因果推理推斷群體內部結構）
發表時間：2026.1.23
發表期刊：Nature Communications
影響因子：15.7
獲取原文：
- 點擊頁面底部「閱讀原文」即可跳轉論文原網頁
研究背景
想像一下你入職新公司的第一天。即使沒有人明確告訴你辦公室的權力結構，你也能透過觀察同事間的零星互動（像是誰給誰派發任務、誰和誰常去吃午飯），迅速弄清誰是領導、誰是核心圈子成員，以及遇到困難該向誰求助。
人類的社會生活在一個由重疊關係構成的豐富網絡中展開，這些結構包含著等級制度、友誼和合作聯盟。然而，我們在日常中觀察到的互動往往是極其稀疏且充滿噪音的，要在這種極其有限的線索下推斷出潛在的群體內部結構，是一個巨大的認知挑戰。過去的研究大多將視線聚焦於群際互動（即「我們」與「他們」的簡單成員劃分），或者認為人們僅僅依靠固定僵化的啟發式圖式來理解關係。但這顯然無法解釋人類社交結構的複雜性、靈活性與生成性。
近期發表於頂級期刊《自然 - 通訊》（Nature Communications）的一項突破性研究提出了一個絕妙的認知框架：人類社會智力的核心，在於能夠將「領域一般性」的統計學習能力與「領域特定」的社會結構因果模型完美結合，從而在腦內迅速構建出支持解釋、預測和規劃的社會網絡表徵。
研究核心總結
在這項研究中，研究團隊設計了三個精巧的認知行為實驗，讓受試者觀看高度抽象的小人互動動畫，並開發了一個基於貝葉斯推斷的計算認知模型來量化人類的社會結構推斷過程。
Fig. 1: 社會結構表徵的範例以及與每種結構相關聯的生成模型。
一、貝葉斯大腦的社會計算機制
研究表明，我們的大腦在處理社交資訊時，首先會利用類似於「中餐館過程」的非參數化統計學習機制，根據人們互動模式的相似性將他們聚類為不同的抽象角色或子群體。但這還遠遠不夠，大腦還會調用一種被稱為「直覺社會學」（naive sociology）的直覺領域知識。這是一種內在的因果模型，規定了特定社會結構應有的行為期待。例如，權力關係通常意味著單向的命令傳達且拒絕成本高昂，而友誼關係則預示著雙向對稱的社交邀請。透過無縫整合這種純粹的統計聚類與因果常識，觀察者便能透過貝葉斯推斷，從無限可能的圖結構中逆向還原出最能解釋當前觀察數據的社交網絡。
Fig. 2: 實驗一的刺激與反應格式。
二、見微知著：還原潛在的群體內部結構
在第一個實驗中，受試者僅僅觀看了幾段展示工作指令、社交邀請或建議請求的簡短互動動畫。結果顯示，人們不僅能夠準確地從零散動作中推斷出背後的權力等級、友誼小圈子和導師網絡，還能對不同候補結構的合理性給出精細的機率評估。人類這種呈現出灰度、定量且帶有不確定性的判斷模式，與計算模型的預測實現了高度吻合。這說明即使數據模糊，我們也絕不是在瞎猜，而是在進行極其嚴密且高保真的機率計算。
Fig. 3: 實驗一結果摘要，顯示參與者的平均判斷（y 軸）與模型預測（x 軸）的對比。
三、洞察未來：超越表面頻率的行為預測
我們在觀察他人時，僅僅是在死記硬背「誰和誰說話次數最多」嗎？並非如此。研究發現，當需要預測未來某個角色碰巧不在場時其他人會和誰互動，受試者並非簡單地推演過去的表面互動頻率。相反，人們會提取並利用大腦中剛剛隱式構建好的那張「社會關係網」來預測尚未發生的新行為。這種預測表現有力地證實了我們的社會認知建構了深層且靈活的生成模型。
Fig. 4: 研究 1a（權威）中的兩個範例試驗，以及每個試驗的參與者反應和所有三個模型的預測。
四、拿捏分寸：複雜關係網絡中的影響力推斷
現實生活中的小群體往往交織著多重結構，同一批人之間既有上下級匯報，也有私下閒聊。在綜合考察多重互動的實驗中，研究者要求受試者判斷在不同場景下誰更有可能說服目標人物。結果顯示，人類能夠極其敏銳地根據影響力的類型，動態切換所依賴的底層網絡表徵。例如，對於決定是否「額外加班」這種工作要求，人們自然依賴權力等級結構；而對於決定是否「去看某部電影」這種娛樂活動，人們則精準切換到了隱式推斷出的友誼網絡模型上。
Fig. 5: 實驗二結果摘要，顯示參與者判斷（y 軸）與模型預測（x 軸）的對比。
研究意義
這項研究深刻地指出，在我們的認知架構中，對「社會結構」的非心理化表徵與推斷，其重要性絲毫不亞於對個體「心智」的表徵（心理理論）。它不僅為我們理解人類高階社會智力提供了極為優雅的量化框架，也為未來探索跨文化的社會規範差異打開了全新大門。
Fig. 6: 實驗二的範例刺激，以及參與者反應和模型預測。
Fig. 7: 實驗三結果摘要，顯示參與者判斷（y 軸）與模型預測（x 軸）的對比。
Fig. 8: 實驗三的範例試驗，包含參與者和模型的預測。
摘要 (Abstract)
Human social life unfolds within richly structured networks of overlapping relationships, including friendships, hierarchies, and collaborations. Yet the observable interactions that reveal these networks are often sparse and noisy, making it unclear how people could infer the latent structure of their social environments from such limited evidence. We propose that humans integrate domain-general statistical learning with domain-specific models of social structures to rapidly construct causal representations that support explanation, prediction, and planning. Across three behavioral experiments, we show that participants can infer underlying social structures (Experiment 1), predict social behavior (Experiment 2), and reason about the spread of social influence (Experiment 3), based on brief, abstract videos of social interactions. These judgments were closely captured by a computational model grounded in our account and could not be explained by simpler cue-based accounts. Statistical learning and causal reasoning operate in concert to support rapid, flexible understanding of social structures.
（人類社會生活展開於包含友誼、等級制度和合作的重疊關係所構成的豐富網絡中。然而，揭示這些網絡的可觀察互動往往是稀疏且充滿噪音的，這讓人們如何從如此有限的證據中推斷出社會環境的潛在結構變得不明確。我們提出，人類將領域一般性的統計學習與領域特定的社會結構模型相結合，以快速構建支持解釋、預測和規劃的因果表徵。透過三項行為實驗，我們表明，基於簡短的社會互動抽象影片，參與者能夠推斷潛在的社會結構（實驗一）、預測社會行為（實驗二）並推論社會影響力的傳播（實驗三）。這些判斷與基於我們理論的計算模型高度吻合，且無法用更簡單的線索理論來解釋。統計學習與因果推理協同運作，支持對社會結構的快速、靈活理解。）
請打分
這篇剛剛登上 Nature Communications 的研究，是否實至名歸？我們邀請您作為「雲審稿人」，一同品鑑。精讀全文後，歡迎在匿名投票中打分，並在評論區分享您的深度見解。
分享人：飯鴿兒
審核：PsyBrain 腦心前沿編輯部
💡 關於我們
👋 你好，這裡是「PsyBrain 腦心前沿」
🧠 專注追蹤全球認知神經科學的最尖端突破
🔍 視野直擊 Nature, Science, Cell 正刊及 Nat Neurosci, Nat Hum Behav, Neuron, Sci Adv 等核心子刊與頂級大刊
📄 每日速遞「深度解讀」與「前沿快訊」，為你打破資訊落差
科研是一場探索未知的長跑，但你無需獨行。歡迎志同道合的你加入 PsyBrain 學術社群，和一群懂你的同行，共同丈量腦與心智的無垠前沿。
👇點擊卡片進群，歡迎你的到來👇
一鍵分享，讓更多人了解前沿