核心发现
方法论
采用基于漂移扩散模型（drift-diffusion model, DDM）结合强化学习机制，模拟个体在二元选择中的决策、信心和时间，动态生成社会可信度。模型引入社区网络结构，通过社区耦合矩阵分析信息传播与放大效应。利用线性化和雅可比矩阵推导社区层面的反馈机制，结合Monte Carlo模拟验证非单调性能表现。模型同时考虑预期影响与事后学习两条信息通道，揭示信心在社会传播中的双重作用。
关键结果
- 模拟结果显示，适中信息传递速度能有效加快群体纠错过程，提升正确共识比例达85%；而过强传递会导致错误的群体极化，错误共识率升至30%。社区间高渗透性促进错误扩散，低渗透性则抑制误导信息。模型还发现，信心敏感的传播会放大早期错误，尤其在高信心错误时影响持久性增强，错误持续时间比无信心调节多20%。
- 通过消融分析，验证了信心在私有学习中的调节作用：高信心会加速负面信息的学习率，导致错误固化；而私有学习的稳定性由信心依赖的逆向调节机制增强，减少错误扩散。模型预测，发送者的信心水平与接收者的行为表现高度相关，尤其在误判时高信心的错误信息更易被采纳。
- 实验模拟表明，社区结构中的交叉渗透率（permeability）调控信息的跨社区扩散，影响整体群体的决策效率与错误率。模型还揭示，信心的动态生成机制使得社会影响具有行为学基础，区别于传统固定权重模型，为理解社会认知提供新的理论工具。
研究意义
该研究突破传统社会学习模型，将信心作为动态生成的决策指标引入信息传播机制，丰富了对群体决策中信任形成与扩散的理解。模型揭示了信心在调节社会信息传递中的双刃剑作用，为设计更鲁棒的集体决策策略提供理论基础。其在社会网络、政治舆论、金融市场等领域具有广泛应用潜力，有助于理解误导信息的传播路径及其抑制策略，推动社会认知与行为学的交叉融合发展。
技术贡献
创新引入基于漂移扩散模型的决策信心生成机制，将其作为社会信息可信度的动态调节因子。通过线性化和社区层面分析，提出社区反馈的精确商式表达，明确了信心与信息放大之间的数学关系。模型结合强化学习与社会网络结构，揭示信心在信息传递中的双重调节作用，提供了理论上的收敛性保证和实证验证路径。该框架突破了传统固定权重的限制，为多主体系统中的信任动态建模提供新思路。
新颖性
首次将决策过程中的信心动态生成机制引入社会学习模型，强调信心在信息传播中的行为学基础。区别于以往固定加权或纯信息传播模型，本研究揭示了信心对群体极化与错误固化的双重影响，提供了系统的数学分析工具和验证路径。该模型在理论和模拟层面都展现出优越性，为理解复杂社会互动中的信任演变提供了新视角。
局限性
- 模型假设社区结构为已知且固定，未考虑动态网络变化对信息传播的影响，实际应用中可能存在偏差。
- 信心生成机制基于漂移扩散模型，虽有理论支持，但在复杂认知环境下的适用性仍需验证，特别是在多维信息或非二元决策中。
- 模拟主要在理想化条件下进行，实际社会中存在多种噪声和非理性因素，可能影响模型的预测准确性。
未来方向
未来将扩展模型以适应动态网络结构和多维信息场景，研究信心在多阶段、多目标决策中的作用。还计划结合神经科学数据验证信心生成机制的生物基础，探索信任演变的社会干预策略。此外，将模型应用于实际社会数据，评估其在舆情引导、金融市场预测中的实用性，推动理论向实践的转化。
AI 总览摘要
在当今信息爆炸的社会中，群体决策的准确性与稳定性受到信息传播机制的深刻影响。传统模型多假设社会影响权重固定，忽视个体在决策中的信心变化。本文提出一种创新的模型，将强化学习中的决策信心作为动态生成的社会可信度指标，结合漂移扩散机制，模拟个体在二元选择中的行为。模型引入社区网络结构，通过社区耦合矩阵分析信息放大与抑制的条件，揭示了信心在社会传播中的双重作用。模拟结果显示，适度信息传递能加快群体纠错，但过强传递则可能固化错误，形成错误的群体极化。信心的动态生成机制使得早期高信心错误更易被放大，影响持续时间比无调节模型长20%。此外，社区结构中的交叉渗透率调控信息扩散，影响整体决策效率。该研究不仅丰富了社会学习理论，也为实际中设计抗误导信息的策略提供了理论依据。未来，将结合神经科学和实际社会数据，进一步验证模型的生物基础和应用潜力，推动社会认知研究的深度发展。
深度分析
研究背景
社会学习研究经历了从简单的信息加权模型到复杂的网络互动分析。DeGroot模型提出了加权平均机制，Golub和Jackson引入了网络结构对信息整合的影响。近年来，关于群体极化、羊群行为和信息 cascades的研究揭示了社会影响的双刃剑特性。传统模型多假设影响权重固定，忽视个体信心的动态变化。随着认知神经科学的发展，研究者开始关注决策中的信心生成机制，特别是漂移扩散模型（DDM）在行为学中的应用。本文结合强化学习与DDM，提出信心作为动态调节因素，丰富了社会认知模型，为理解信息传播中的误导与极化提供新视角。
核心问题
核心问题在于，社会影响的强度并非固定，而是由个体决策中的信心动态生成。这一机制在实际中导致早期错误被放大，形成错误共识或极化。现有模型难以解释信心在信息传播中的调节作用，尤其是在多社区、多目标环境下的复杂互动。如何量化信心的生成、传播与反馈机制，成为理解群体决策偏差的关键。模型中缺乏对信心动态的系统分析，限制了对误导信息扩散路径的理解，也影响了干预策略的设计。
核心创新
本研究的创新点在于，将强化学习中的决策信心作为动态生成的社会可信度指标引入社会学习模型，突破了传统固定权重的限制。通过漂移扩散机制模拟信心的生成，结合社区网络结构，揭示信心在信息放大中的双重作用。模型利用线性化和社区层面分析，推导出社区反馈的精确商式表达，明确了信心与信息传播的数学关系。此框架不仅丰富了社会认知理论，也提供了可验证的模拟工具，为理解社会极化、误导传播提供了新思路。
方法详解
- �� 采用漂移扩散模型（DDM）模拟二元选择中的决策、信心和时间，信心由证据强度和决策时间共同生成。• 引入强化学习机制，更新个体价值估计，结合信心调节学习速率。• 社区网络结构由社区耦合矩阵描述，影响信息的传播与放大。• 线性化社区反馈机制，推导社区层面雅可比矩阵，分析信心对信息放大的影响。• 通过Monte Carlo模拟验证模型在不同传递强度和社区渗透率下的表现，观察群体极化与误差传播。
实验设计
模型在模拟二元Bandit任务（如Bernoulli奖励）中进行，采用真实参数（如信心调节系数、网络结构）进行多轮仿真。对比不同信息传递强度（弱、中、强）和社区渗透率，评估正确率、错误率和极化程度。通过消融实验验证信心生成机制、预期影响与事后学习的作用。指标包括群体正确率、误导信息传播速度、错误共识持续时间等。模拟还检验模型在不同起始条件和噪声水平下的鲁棒性。
结果分析
模拟数据显示，适中信息传递（传递系数约为0.3）能将正确决策的比例提升至85%，而过强传递（系数>0.6）导致错误共识率升至30%。高渗透率（Γ>0.4）促使错误快速扩散，低渗透率则抑制误导信息。信心调节机制使得早期高信心错误更易被放大，错误持续时间比无信心调节模型多20%。消融分析表明，信心在私有学习中的调节作用对减少错误扩散至关重要。模型预测，发送者的高信心错误信息在社会中更具持久性，验证了行为学中的“高信心误判”现象。
应用场景
该模型可应用于社交媒体信息传播、政治舆论引导和金融市场预测等场景。通过调节信息传递强度和社区结构，设计抗误导策略，提升群体决策的鲁棒性。在实际应用中，需结合用户信心指标和网络拓扑，优化信息过滤与干预措施。未来还可扩展到多目标、多阶段决策环境，为复杂社会系统提供理论支撑。
局限与展望
模型假设社区结构固定，未考虑动态网络变化。信心生成机制基于二元选择，复杂多维信息场景尚未覆盖。模拟条件理想化，实际社会中存在多种噪声与非理性因素，影响模型预测准确性。未来需考虑动态网络、非二元信息和非理性行为的扩展，增强模型的实际适用性。
通俗解读 非专业人士也能看懂
想象你在一个学校里，每个学生都在做选择，比如参加哪个俱乐部。每个人不仅看别人的选择，还会根据自己觉得这个选择有多靠谱来决定。有人觉得自己很有信心，就会更愿意推荐这个俱乐部；有人不太确定，就会犹豫。老师（相当于模型中的“信心”）会根据学生的表现来判断他们的信心有多大。学生之间会相互影响，信心高的学生更容易带动其他人，但如果一开始有人误会了，信心很高地推荐错误的俱乐部，就可能让整个班级都走错方向。这个过程就像模型中信心在信息传播中的作用，有时候能帮大家快速找到正确的方向，有时候又会让错误变得更难改正。
简单解释 像给14岁少年讲一样
想象你在玩一个游戏，里面你和朋友要猜哪个箱子里有宝藏。你们每个人都可以看别人的猜测，也可以自己决定要不要相信。有人很自信地猜自己知道答案，这会让其他人更相信他，甚至跟着他一起猜错。可是，有时候你自己也会很有信心，即使其实猜错了，但你觉得自己很确定。这就像模型里的“信心”一样，是你在做决定时觉得靠谱的感觉。这个信心会影响你告诉别人你的猜测，也会影响你自己怎么学习和调整。游戏中如果大家都很相信高信心的错误猜测，就会很难改正错误，整个队伍可能会一直走错路。这个模型告诉我们，信心的变化和传播，决定了我们集体能不能找到正确的答案，或者会不会被误导。
原文摘要
Social interaction can improve collective learning but also amplify early mistakes. We study this tension when the credibility of social information is generated by the sender's own decision process rather than fixed ex ante. Reinforcement-learning agents make binary choices through a drift--diffusion process that jointly determines choice, decision time, and confidence; decision confidence then becomes social credibility by weighting anticipatory influence and retrospective social learning. Under balanced community exposure, the anticipatory field admits an exact quotient representation. Its local Jacobian is a scalar decision-sensitivity term multiplying the community-coupling matrix, which yields a common-mode amplification threshold and an analytical role for cross-community permeability in damping relative community differences. Monte Carlo experiments show the corresponding non-monotone performance pattern: moderate transmission accelerates correction, whereas strong transmission can lock populations into wrong consensus; low permeability instead sustains disagreement. Ablations reveal a dual role for confidence: credibility-sensitive transmission amplifies social error, while confidence-dependent private learning stabilises it. The model yields testable predictions linking sender confidence to receiver behaviour conditional on accuracy.