北京大学心理与认知科学学院、麦戈文脑研究所及北大-清华生命科学联合中心研究员朱露莎实验室日前在《自然·神经科学》在线发表题为《社会网络上实时分布式学习神经计算机制》的研究论文，结合脑成像、社会网络分析、强化学习等多学科研究方法，首次揭示了人类大脑整合社会网络信息以进行决策的神经计算过程。

        近20年来，“社会网络分析”取得了瞩目成绩，揭示了网络结构对经济、文化等方面群体行为的重要影响。然而，迄今为止，我们尚不清楚人脑怎样和复杂联通的社会环境打交道：大脑如何整合社会网络中不同来源的信息？个体身处的网络结构是否影响大脑的处理过程？

        在传统的“中心化”决策中，决策者处理的是来自不同渠道但相互独立的社会信息。该情景下，大脑可以像统计学家一样，准确高效地整合信息。然而，在“去中心化”的网络中，每个个体在影响他人同时也受到他人影响，信息沿网络连接来回流动，不同节点传递的信息可能高度关联、重复冗余、有着不同且难以判断的信息量，使正确整合这些信息在计算和认知上非常困难。

        对此，朱露莎研究团队构造了许多小型社会网络，把实验参与者随机分配到这些网络的节点上。类似于微信，信息仅在相互连接的“好友”间传播，而对无连接的“非好友”不可见。参与者需要通过观察好友的行为来推断外部环境，选择合适的行为。研究团队全程记录参与者处理每一条社会信息时的神经活动，并借助计算建模，解析大脑如何整合来自不同朋友的信息。

        研究团队发现，人脑采用了一个“偷懒”的策略以规避对网络信息高难度的处理，因而导致了偏向性的社会信息处理。如同在简单社会环境中，人脑通过类似强化学习的算法，根据好友行为出乎意料的程度来更新对外部环境的判断。参与者的外侧前额叶等脑区表征了这一经典社会学习信号。

        更有趣的是，与德格奥特学习的理念一致，网络结构影响着人脑社会学习的过程。学习的“速率”由自己和朋友在网络中朋友的数量决定：朋友的朋友越多，自己受这个朋友的影响就越大；同时自己的朋友越多，受他人的影响就越小。在处理每一则社会信息时，决策者背侧前扣带皮层等大脑区域灵活、定量且特异性地编码了自己和传送该信息的朋友在网络中连接的相对数量，可能参与了对网络上强化学习速率的动态调节。这些结果表明，通过背侧前扣带皮层的调节，决策系统给那些更加“四通八达”的信息源施加更高的权重，低估甚至忽略可能掌握的部分其他正确信息源，在理论和实验中，这种策略可能导致虚假信息的传播和错误共识的形成。

        该研究首次探讨了社会互动关系的结构对人类决策在认知和神经层面的影响，将传统的社会学习和强化学习神经计算机制研究拓展到了更广阔、更具生态效度的决策环境中，并为研究复杂社会网络中个体决策的神经机制开辟了可拓展的实验和计算框架。

        22日，该杂志发表专文介绍和评价了该论文。其中，加州大学洛杉矶分校卡洛琳·帕金森教授评价：“该论文充满创造力，探索了一系列重要且意义深远的实证问题。”《自然·神经科学》高级编辑让·则娜特评价：“作者对社会网络中学习的建模，对未来探索社会影响的决策研究将起到引领作用。”据悉，3月，该论文将以封面文章的形式正式出版。