微软将计算机技术应用于社会科学，验证囚徒困境等多个问题

编者按：社会科学的研究也是需要预测和计算的，将计算机技术应用到社会科学中，会使这个学科更好地发展。以博弈论为例，现代的博弈论的一大分支是多重博弈，如 Axelrod 的“进化博弈”理论。在其经典作品John Roach为我们深度介绍了社会科学计算的重要性。

所谓“囚徒困境”就是：你和犯罪同伙都在监狱里。你们其中一人犯了不可饶恕的罪行，但检察官不知道是谁。如果两个人都不揭发对方，则由于证据不确定，你们都被判较轻的罪行并且需要单独关押一年。但检察官同时给了你们两个背叛对方的机会：如果你背叛了你的同伙，同时对方没有背叛你，那么你可以无罪释放但你的伙伴必须服刑三年。如果你们同时背叛了对方，你们两个都要服刑两年。当检察官敲你的牢房门时，你会做出什么选择呢？

几十年来，社会科学家一直在研究了人类之间的合作将如何发展，他们观察人们在“囚徒困境”多重游戏中的表现，且每场游戏持续的轮数固定。在这些游戏过程中，玩家会权衡合作的好处和利用的风险及在随后的游戏中告发的诱惑和报复的风险。

“囚徒困境”的研究结果表明，一开始玩家可能会多次合作，但最终告发者希望在他们被利用之前出狱。更重要的是，随着玩家对游戏的认识进一步加深，他们会意识到理性的选择是告发，他们在后续的游戏中会越来越早地选择告发。

研究表明，合作最终都会崩塌。（编者注：囚徒困境只是博弈论的一种模型，它否认合作的可能性；然而，尤其是在国际关系领域中，更多学者（如托马斯谢林）认为合作是可能的，出问题的是囚徒困境这个模型。因此，“Chicken Game”或者“Stag Hunt Game”也获得了普遍的应用）。

这正是纽约微软研究机构的计算机社会科学家研究团队期望在实验中证明的结论。在本实验中，94名参与者在虚拟实验室进行了10轮400场的“囚徒困境”游戏，时间长达20个连续的工作日。这比以前的研究持续时间要长得多，以前的实验大多要求本科生在实体实验室中玩一个小时的相关游戏。

在新研究的第一周，游戏如期进行。每10轮比赛中，玩家越来越早地叛逃。但是随后稳定了，并且在随后的时间中越来越稳定。研究人员调查其中的原因，发现40％的玩家都是所谓的弹性合作者，他们倾向于即使付出巨大的个人成本也会避免整体破裂。

Duncan Watts是微软纽约研究院的首席研究员，同时也是将计算机科学用于解决社会科学的先驱，他表示：“三十年前，人们所进行的试验和这个几乎是一模一样的，其中最大的不同就是现在我们能够做一个月而不是一个小时。最终的结果就是我们可以观察一段较长时间内的行为，而且这种行为对于长期合作的演变而言是非常重要的。”

包括博士后研究员Andrew Mao和软件开发商Lili Dworkin在内的研究团队将研究结果发表在1月13日的《自然通讯（Nature Communications）》。这是微软纽约实验室利用数字技术促进社会科学转型、提供数据收集方法、处理和分析数据的最新例证。这些数据是限制传统社会科学的最大原因。

“有大量类似的在过去只是在线下做的人类和社会学活动现在都在数字环境进行了，这带来了大量的基于交互和行为的数据，”康奈尔大学的教授Watts说，“这开启了将原来用于计算机科学的方法融入社会科学研究的大门。”

“囚徒困境”研究利用了虚拟实验室，参与者可以从任何地方登录。微软纽约实验室计算机社会科学的高级研究员Siddharth Suri表示，较长的实验时间得出了“”囚徒困境“”早期研究没有发现的结果。

Siddharth Suri补充道：“我们以前没有能够检测到这种行为的科学手段。这就像发明望远镜的人可以看到其他人看不到的东西一样。现在又了虚拟实验室，我们就可以看到我们以前看不到的东西。”

微软纽约实验室最新高级研究员Jake Hofman表示，这些进展都为计算机科学家和社会科学家展现了合作的机会，结合社会科学家对人类行为的理解和计算机科学家对数据的预测分析，可以更好地理解人类学和社会学现象。Jake Hofman的主要研究领域为将数据和机器学习应用于大规模的社会科学数据。

例如，社会科学文献都试图弄清一个人的受教育程度与其收入之间的因果关系。但这类型的研究很少关注除了受教育程度之外的因素，比如学校类型，班级规模和家庭背景等因素。

通过机器学习等计算机科学的方法，专家们可以更好地了解并观察到收入差异可以受教育以外的其他因素的影响，从而可以了解到哪些措施可能产生更大的影响。

Hofman补充道：“这种方式可以量化你对现象的了解程度。也就是说，如果你可以合理地在许多条件和环境下预测未来收入，那么你就可以了解其中真正的原因和背后的东西。如果不可以，那么总会遗漏一些东西。”

Hofman和Watts与他们的同事Amit Sharma于今年二月在《科学》杂志上发表了一篇文章，他们认为如果社会科学更加注重预测的话可以使这个学科发展的“更好，可重复性更高也更实用。”

社会科学家的另一个担忧是，个别理论的验证往往是孤立的，而不是在有其他竞争理论甚至是完全相反的理论下进行验证的。

Watts说：“在现实世界中，很多理论都适用，我们需要了解它们是如何相互作用的。如果我们每次只考虑一种理论，我们就无法找到这个答案。”

Watts在1月10日发布的《Nature Human Behavior》提到解决这个所谓的“无连贯性问题”的其中一个方法就是社会科学家要更专注于解决现实世界的问题。

“解决问题的框架是有用的，因为这其中有大量的抽象概念，如重复实验，可重复性和预测性，这使其变得非常具体，”他继续说道：“但是你解决了这个问题吗？如果解决了，那很好，继续向前探索。如果没有，你做的事情不正确，就从头再试一次。”

该方法说明了，这样的框架可以让计算机科学家通过将研究集中在诸如减少语音识别错误率和无人驾驶汽车的发展等常见任务上，实现人工智能的突破。这些任务的推进是在计算机科学界认可的标准数据集上进行测试的。

例如，微软最近的语音识别技术，和专业的人工识别一样，都是基于行业标准的基准测试。

Watts、Mao、Suri以及其他科学家在2016年4月出版的PLoS One上表示，说明了围绕结果而展开的社会科学是可行的。他们采用了虚拟实验室来更深入地了解有关团队规模和生产率的替代理论。

相关研究表明，随着团队规模的增加，人们会松懈和携带，因为更大的群体意味着更容易逃脱。然而，另一组研究表明，大群体更有效率，因为大规模团队允许人们术业有专攻，一旦人们专业化，他们就变得更有效率。

Watts说：“由于研究的机制不同，关于大团体是否比小团队更好这点，你可能得出非常不同的结论。”

为了弄清楚大团队是否真的比小团体更好，研究人员设计了这样的一个实验，将团队分为从1到32人的不同规模。在2012年12月4日，袭击菲律宾的5级台风Pablo来临时，参与者被要求根据受影响人群在社交媒体上的表现分析出实时信息。

危机定位在现实中通常由新兴数字人道主义领域的志愿者完成。用于实验的社交媒体帖子都是真实的，都是在台风期间发布的，用于创建真正的危机定位图。Suri解释说，实验结果可能对真实世界的问题产生影响，这样的言论激励了研究团队。

“救灾是一个难题。你将如何组织有限的资源来拯救最多的人命，减少最多的人的苦难呢？”他说：“危机定位就是第一个问题，你可能会问 ‘我需要一个多大的团队来制作这张危机定位图呢’。”

随着团队规模的扩大，研究人员发现社会懈怠会扩大，但是由于大团体的协调努力所带来的好处掩盖了这样的懈怠。至少在危机定位任务中，大团队更好。

Watts说：“如果你只是研究社交懈怠问题，你不可能得到这个结果。“囚徒困境”也是一样，这就是现实。 如果你想真正了解真实世界的合作情况，就必须选择一个真正需要解决的问题。”

翻译来自：虫洞翻翻 译者ID：YLS 编辑：郝鹏程