社会学习与 DeGroot 模型

社会学习解释了你如何综合周围人的想法，形成自己的信念。你可以把它想成一场对话：你会参考朋友、同事和你信任的专家的意见，根据对每个人的信任程度，调整自己的看法。DeGroot 模型用数学描述了这个过程：人们反复对网络中与自己相连的人的信念取加权平均，直到看法稳定下来。群体能否达成一致，完全取决于成员之间如何连接。 试试这样：画出哪些人会影响你的想法，以及哪些人又会影响他们。

社会学习模型描述了信念如何在网络中传播：人们不断综合周围人的想法，更新自己的观点。关键在于，你的影响力取决于你在网络结构中的位置。联系广泛的人就像网络中的枢纽，会影响其他人的看法。群体能否逐渐达成共识，取决于社交网络是否足够连通，让信息能在所有成员之间流动。

这种现象随处可见。在组织中，员工不断与他人交流，并逐渐与有影响力的领导和同事保持一致，企业文化也由此形成。在金融市场中，投资者会观察彼此的行为，并可能通过级联效应让价格偏离基本面：仅仅因为别人都在买，就跟风买入某只股票。在网络平台上，推荐算法优先向用户展示符合其既有信念的内容，可能助长信息过滤气泡，让用户更少接触不同视角。

这个框架揭示，影响力的分布并不均衡：处于网络中心的节点，对最终信念的影响格外大。当网络中存在从不更新信念的“固执”成员时，这就可能成为问题。即使大多数人不同意，他们也能把整个群体的共识锚定在自己的立场上。这个模型还揭示了社会影响如何削弱集体智慧：当人们过度关注彼此的看法，而忽略各自掌握的信息时，群体可能会在错误答案上达成一致，失去多元、独立意见本可以带来的智慧。

你可以从中得到三个实际启发。第一，从网络中的不同部分寻找观点，让自己的信息来源更多元。第二，留意有影响力的人是否可能为了自身利益而引导共识。第三，鼓励大家接触不同意见：安排一个人反驳主流观点，让成员轮换到不同团队，或采用匿名反馈。

统计学家 Morris DeGroot 于 1974 年提出了 DeGroot 模型，为理解社会学习中的信念更新提供了经典框架。在这个模型中，每个人都有自己的信念，并通过对网络中相邻成员当前的信念取加权平均来更新它。权重代表他们对每个相连成员的信任程度。这个过程反复进行，直到信念趋于共识，或稳定在持续分歧的状态。能否收敛取决于网络结构：如果网络是强连通且非周期的，或者满足某些其他技术条件，群体就会达成共识。

• Golub 和 Jackson（2010）：研究表明，社会学习可能削弱群体智慧，因为影响力与网络中心性相关，而不是与信息质量相关。处于中心位置的节点，无论是否掌握充分信息，都会影响群体信念，因此可能让群体远离真相，而非接近真相 [1]。
• Acemoglu、Como 和 Fagnani（2010）：研究表明，当网络中存在从不更新信念的“固执”成员时，愿意调整观点的成员会逐渐趋向这些固执立场的加权平均。即使固执成员只占少数，他们也可能发挥不成比例的影响力 [2]。
• De Dreu 和 West（2001）：研究发现，少数派的异议会促使团队更深入地处理信息，并创造性地解决问题，从而提升团队创新。对共识提出挑战，能够推动群体作出更好的决策 [3]。

DeGroot 模型假设人们机械地通过加权平均来更新信念，忽略了策略性行为、确认偏误、动机性推理，以及其他可能在现实中扭曲社会学习的认知偏误。它还假设网络和信任权重固定不变，但现实中，人际关系会基于信念而形成，由此产生的反馈循环可能导致两极分化或回音室效应。模型也把信念视为一维标量，也就是可以用单个数值表示的量；现实中的信念却具有复杂的多维结构，很难直接取平均。最后，这个框架没有说明最初的信念从何而来，也没有说明它们与客观真相有什么关系，因此，如果没有外部验证，就无法区分群体最终达成的是正确答案还是错误答案。