時間：2017-03-30 來源：互聯網 瀏覽量：
囚徒困境
所謂“囚徒困境”就是：你和犯罪同夥都在監獄裏。你們其中一人犯了不可饒恕的罪行，但檢察官不知道是誰。如果兩個人都不揭發對方，則由於證據不確定，你們都被判較輕的罪行並且需要單獨關押一年。但檢察官同時給了你們兩個背叛對方的機會：如果你背叛了你的同夥，同時對方沒有背叛你，那麼你可以無罪釋放但你的夥伴必須服刑三年。如果你們同時背叛了對方，你們兩個都要服刑兩年。當檢察官敲你的牢房門時，你會做出什麼選擇呢？
幾十年來，社會科學家一直在研究了人類之間的合作將如何發展，他們觀察人們在“囚徒困境”多重遊戲中的表現，且每場遊戲持續的輪數固定。在這些遊戲過程中，玩家會權衡合作的好處和利用的風險及在隨後的遊戲中告發的誘惑和報複的風險。
“囚徒困境”的研究結果表明，一開始玩家可能會多次合作，但最終告發者希望在他們被利用之前出獄。更重要的是，隨著玩家對遊戲的認識進一步加深，他們會意識到理性的選擇是告發，他們在後續的遊戲中會越來越早地選擇告發。
研究表明，合作最終都會崩塌。（編者注：囚徒困境隻是博弈論的一種模型，它否認合作的可能性；然而，尤其是在國際關係領域中，更多學者（如托馬斯謝林）認為合作是可能的，出問題的是囚徒困境這個模型。因此，“Chicken Game”或者“Stag Hunt Game”也獲得了普遍的應用）。
微軟的社會科學實驗
這正是紐約微軟研究機構的計算機社會科學家研究團隊期望在實驗中證明的結論。在本實驗中，94名參與者在虛擬實驗室進行了10輪400場的“囚徒困境”遊戲，時間長達20個連續的工作日。這比以前的研究持續時間要長得多，以前的實驗大多要求本科生在實體實驗室中玩一個小時的相關遊戲。
在新研究的第一周，遊戲如期進行。每10輪比賽中，玩家越來越早地叛逃。但是隨後穩定了，並且在隨後的時間中越來越穩定。研究人員調查其中的原因，發現40％的玩家都是所謂的彈性合作者，他們傾向於即使付出巨大的個人成本也會避免整體破裂。
Duncan Watts是微軟紐約研究院的首席研究員，同時也是將計算機科學用於解決社會科學的先驅，他表示：“三十年前，人們所進行的試驗和這個幾乎是一模一樣的，其中最大的不同就是現在我們能夠做一個月而不是一個小時。最終的結果就是我們可以觀察一段較長時間內的行為，而且這種行為對於長期合作的演變而言是非常重要的。”
計算機社會科學
包括博士後研究員Andrew Mao和軟件開發商Lili Dworkin在內的研究團隊將研究結果發表在1月13日的《自然通訊（Nature Communications）》。這是微軟紐約實驗室利用數字技術促進社會科學轉型、提供數據收集方法、處理和分析數據的最新例證。這些數據是限製傳統社會科學的最大原因。
“有大量類似的在過去隻是在線下做的人類和社會學活動現在都在數字環境進行了，這帶來了大量的基於交互和行為的數據，”康奈爾大學的教授Watts說，“這開啟了將原來用於計算機科學的方法融入社會科學研究的大門。”
“囚徒困境”研究利用了虛擬實驗室，參與者可以從任何地方登錄。微軟紐約實驗室計算機社會科學的高級研究員Siddharth Suri表示，較長的實驗時間得出了“”囚徒困境“”早期研究沒有發現的結果。
Siddharth Suri補充道：“我們以前沒有能夠檢測到這種行為的科學手段。這就像發明望遠鏡的人可以看到其他人看不到的東西一樣。現在又了虛擬實驗室，我們就可以看到我們以前看不到的東西。”
解釋與預測
微軟紐約實驗室最新高級研究員Jake Hofman表示，這些進展都為計算機科學家和社會科學家展現了合作的機會，結合社會科學家對人類行為的理解和計算機科學家對數據的預測分析，可以更好地理解人類學和社會學現象。Jake Hofman的主要研究領域為將數據和機器學習應用於大規模的社會科學數據。
例如，社會科學文獻都試圖弄清一個人的受教育程度與其收入之間的因果關係。但這類型的研究很少關注除了受教育程度之外的因素，比如學校類型，班級規模和家庭背景等因素。
通過機器學習等計算機科學的方法，專家們可以更好地了解並觀察到收入差異可以受教育以外的其他因素的影響，從而可以了解到哪些措施可能產生更大的影響。
Hofman補充道：“這種方式可以量化你對現象的了解程度。也就是說，如果你可以合理地在許多條件和環境下預測未來收入，那麼你就可以了解其中真正的原因和背後的東西。如果不可以，那麼總會遺漏一些東西。”
Hofman和Watts與他們的同事Amit Sharma於今年二月在《科學》雜誌上發表了一篇文章，他們認為如果社會科學更加注重預測的話可以使這個學科發展的“更好，可重複性更高也更實用。”
無連貫性問題
社會科學家的另一個擔憂是，個別理論的驗證往往是孤立的，而不是在有其他競爭理論甚至是完全相反的理論下進行驗證的。
Watts說：“在現實世界中，很多理論都適用，我們需要了解它們是如何相互作用的。如果我們每次隻考慮一種理論，我們就無法找到這個答案。”
Watts在1月10日發布的《Nature Human Behavior》提到解決這個所謂的“無連貫性問題”的其中一個方法就是社會科學家要更專注於解決現實世界的問題。
“解決問題的框架是有用的，因為這其中有大量的抽象概念，如重複實驗，可重複性和預測性，這使其變得非常具體，”他繼續說道：“但是你解決了這個問題嗎？如果解決了，那很好，繼續向前探索。如果沒有，你做的事情不正確，就從頭再試一次。”
該方法說明了，這樣的框架可以讓計算機科學家通過將研究集中在諸如減少語音識別錯誤率和無人駕駛汽車的發展等常見任務上，實現人工智能的突破。這些任務的推進是在計算機科學界認可的標準數據集上進行測試的。
例如，微軟最近的語音識別技術，和專業的人工識別一樣，都是基於行業標準的基準測試。
危機定位
Watts、Mao、Suri以及其他科學家在2016年4月出版的PLoS One上表示，說明了圍繞結果而展開的社會科學是可行的。他們采用了虛擬實驗室來更深入地了解有關團隊規模和生產率的替代理論。
相關研究表明，隨著團隊規模的增加，人們會鬆懈和攜帶，因為更大的群體意味著更容易逃脫。然而，另一組研究表明，大群體更有效率，因為大規模團隊允許人們術業有專攻，一旦人們專業化，他們就變得更有效率。
Watts說：“由於研究的機製不同，關於大團體是否比小團隊更好這點，你可能得出非常不同的結論。”
為了弄清楚大團隊是否真的比小團體更好，研究人員設計了這樣的一個實驗，將團隊分為從1到32人的不同規模。在2012年12月4日，襲擊菲律賓的5級台風Pablo來臨時，參與者被要求根據受影響人群在社交媒體上的表現分析出實時信息。
危機定位在現實中通常由新興數字人道主義領域的誌願者完成。用於實驗的社交媒體帖子都是真實的，都是在台風期間發布的，用於創建真正的危機定位圖。Suri解釋說，實驗結果可能對真實世界的問題產生影響，這樣的言論激勵了研究團隊。
“救災是一個難題。你將如何組織有限的資源來拯救最多的人命，減少最多的人的苦難呢？”他說：“危機定位就是第一個問題，你可能會問 ‘我需要一個多大的團隊來製作這張危機定位圖呢’。”
隨著團隊規模的擴大，研究人員發現社會懈怠會擴大，但是由於大團體的協調努力所帶來的好處掩蓋了這樣的懈怠。至少在危機定位任務中，大團隊更好。
Watts說：“如果你隻是研究社交懈怠問題，你不可能得到這個結果。“囚徒困境”也是一樣，這就是現實。 如果你想真正了解真實世界的合作情況，就必須選擇一個真正需要解決的問題。”
