耶鲁团队Nat Commun | 贝叶斯大脑的“社交雷达”：统计学习与因果推理如何解密人类群体网络？|nat|图式|实验|相似性|社交雷达|耶鲁|贝叶斯

一键关注，点亮星标 ⭐️ 前沿不走丢！

认知神经科学前沿文献分享

基本信息

Title:Inferring the internal structure of groups through the integration of statistical learning and causal reasoning

发表时间：2026.1.23

发表期刊:Nature Communications

影响因子：15.7

获取原文：

添加小助手:PSY-Brain-Frontier即可获取PDF版本

研究背景

想象一下你入职新公司的第一天。即使没有人明确告诉你办公室的权力结构，你也能通过观察同事间的零星互动（比如谁给谁派发任务，谁和谁常去吃午饭）迅速弄清谁是领导、谁是核心圈子成员，以及遇到困难该向谁求助。

人类的社会生活在一个由重叠关系构成的丰富网络中展开，这些结构包含着等级制度、友谊和合作联盟。然而，我们在日常中观察到的互动往往是极其稀疏且充满噪音的，要在这种极其有限的线索下推断出潜在的群体内部结构，是一个巨大的认知挑战。过去的研究大多将视线聚焦于群际互动（即“我们”与“他们”的简单成员划分），或者认为人们仅仅依靠固定僵化的启发式图式来理解关系。但这显然无法解释人类社交结构的复杂性、灵活性与生成性。

近期发表于顶级期刊《自然-通讯》（Nature Communications）的一项突破性研究提出了一个绝妙的认知框架：人类社会智力的核心，在于能够将“领域一般性”的统计学习能力与“领域特定”的社会结构因果模型完美结合，从而在脑内迅速构建出支持解释、预测和规划的社会网络表征。

研究核心总结

在这项研究中，研究团队设计了三个精巧的认知行为实验，让受试者观看高度抽象的小人互动动画，并开发了一个基于贝叶斯推断的计算认知模型来量化人类的社会结构推断过程。

Fig. 1: Examples of social structure representations and the generative models associated with each structure.

一、贝叶斯大脑的社会计算机制

研究表明，我们的大脑在处理社交信息时，首先会利用类似于“中餐馆过程”的非参数化统计学习机制，根据人们互动模式的相似性将他们聚类为不同的抽象角色或子群体。但这远远不够，大脑还会调用一种被称为“朴素社会学”（naive sociology）的直觉领域知识。这是一种内在的因果模型，规定了特定社会结构应有的行为期待。例如，权力关系通常意味着单向的命令传达且拒绝成本高昂，而友谊关系则预示着双向对称的社交邀请。通过无缝整合这种纯粹的统计聚类与因果常识，观察者便能通过贝叶斯推断，从无限可能的图结构中逆向还原出最能解释当前观察数据的社交网络。

Fig. 2: Stimulus and response format for Experiment 1.

二、见微知著：还原潜在的群体内部结构

在第一个实验中，受试者仅仅观看了几段展示工作指令、社交邀请或建议请求的简短互动动画。结果显示，人们不仅能够准确地从零散动作中推断出背后的权力等级、友谊小圈子和导师网络，还能对不同候选结构的合理性给出精细的概率评估。人类这种呈现出灰度、定量且带有不确定性的判断模式，与计算模型的预测实现了高度吻合。这说明即使数据模糊，我们也绝不是在瞎猜，而是在进行极其严密且高保真的概率计算。

Fig. 3: Summary of Experiment 1 results. showing average participant judgments (y-axis) against model predictions (x-axis).

三、洞察未来：超越表面频率的行为预测

我们在观察他人时，仅仅是在死记硬背“谁和谁说话次数最多”吗？并非如此。研究发现，当需要预测未来某个角色碰巧不在场时其他人会和谁互动，受试者并非简单地推演过去的表面互动频率。相反，人们会提取并利用大脑中刚刚隐式构建好的那张“社会关系网”来预测尚未发生的新行为。这种预测表现有力地证实了我们的社会认知建构了深层且灵活的生成模型。

Fig. 4: Two example trials from Study 1a (authority), as well as participant responses and all three model predictions for each trial.

四、拿捏分寸：复杂关系网络中的影响力推断

现实生活中的小群体往往交织着多重结构，同一批人之间既有上下级汇报，也有私下闲聊。在综合考察多重互动的实验中，研究者要求受试者判断在不同场景下谁更有可能说服目标人物。结果显示，人类能够极其敏锐地根据影响力的类型，动态切换所依赖的底层网络表征。例如，对于决定是否“额外加班”这种工作要求，人们自然依赖权力等级结构；而对于决定是否“去看某部电影”这种娱乐活动，人们则精准切换到了隐式推断出的友谊网络模型上。

Fig. 5: Summary of results from Experiment 2, showing participant judgments (y-axis) against model predictions (x-axis).

研究意义

这项研究深刻地指出，在我们的认知架构中，对“社会结构”的非心理化表征与推断，其重要性丝毫不亚于对个体“心智”的表征（心理理论）。它不仅为我们理解人类高阶社会智力提供了极为优雅的量化框架，也为未来探索跨文化的社会规范差异打开了全新大门。

Fig. 6: Example stimuli, plus participant responses and model predictions from Experiment 2.

Fig. 7: Summary of results from Experiment 3, showing participant judgments (y-axis) against model predictions (x-axis).

Fig. 8: Example trial from Experiment 3, with participant and model predictions.

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.