Social learning with complex contagion

我们提出了一个数学模型，将复杂传染的概念与收益偏向的模仿相结合，描述社会行为如何在人群中传播。传统的模仿社会学习模型基于简单传染，即一个个体在单次交互后可能模仿更成功的邻居。我们的框架将这一过程推广到包括复杂传染，这需要多次接触，才会考虑采用不同的行为。我们将其制定为有限人口的离散时间和状态随机过程，并将其导出为连续的常微分方程，该方程推广了复制者方程，这是进化博弈论中最广泛使用的动态模型。当应用于线性频率依赖游戏时，我们的具有复杂传染的社会学习产生了与传统模仿动态不同的定性结果：它可以将囚徒困境从唯一的全缺席者均衡转变为人口中合作者和缺席者的稳定混合或双稳态系统；它将雪崩游戏从单一均衡转变为双稳态均衡；它可以改变协调游戏从边界的双稳态到两个内部均衡。长期结果取决于传染过程的复杂性和选择力的平衡，选择力将模仿偏向更成功的类型。我们的分析将进化博弈论和复杂传染领域相互交织，提供了一个综合框架，描述了社会系统中更真实的行为变化形式。

本文旨在将复杂传染与偏向收益的模仿相结合，建立一个数学模型，描述社会行为如何在人群中传播。该模型试图解决社会学习中简单传染模型的局限性，即一个人只需要一次与成功的邻居互动就可以模仿其行为的问题。

该模型将复杂传染与偏向收益的模仿相结合，建立了一个离散时间和状态的随机过程，并将其推广为一个常微分方程。通过应用于线性频率依赖博弈，模型得出了不同于传统模仿动力学的定性结果。

该模型的亮点在于将复杂传染与偏向收益的模仿相结合，提出了一种更加逼真的社会行为变化形式。实验设计合理，使用了线性频率依赖博弈数据集。论文提供的综合框架为进一步研究社会系统中的行为变化提供了新思路。

近期在社会学习和进化博弈理论领域，还有一些相关研究，如《Evolutionary dynamics of complex contagions on heterogeneous networks》、《Payoff-based learning explains the decline of cooperation in public goods games》等。