Föreställ dig en liten by där varje handling någon gör, bra eller dålig, tyst följs av ständigt uppmärksamma, nyfikna grannar. En individs rykte byggs upp genom dessa handlingar och observationer, vilket avgör hur andra kommer att behandla dem. De hjälper en granne och kommer sannolikt att få hjälp från andra i gengäld; de vänder ryggen åt en granne och befinner sig isolerade. Men vad händer när människor gör misstag, när goda gärningar förblir obemärkta eller fel leder till orättvis skuld?
Här korsar studiet av beteende med Bayesianskt och abduktivt resonemang, säger Erol Akçay, en teoretisk biolog vid University of Pennsylvania School of Arts &Sciences.
Bayesianskt resonemang hänvisar till en metod för att bedöma sannolikhet, där individer använder förkunskaper parat med nya bevis för att uppdatera sina övertygelser eller uppskattningar om ett visst tillstånd, i detta fall andra bybors rykte. Även om bortförande resonemang innebär ett enkelt "vad du ser är vad du får"-metoden för att rationalisera och fatta ett beslut, säger Akçay.
I två artiklar, en publicerad i PLoS Computational Biology och den andra i Journal of Theoretical Biology , undersökte forskare från institutionen för biologi hur dessa resonemangsstrategier effektivt kan modelleras och tillämpas för att förbättra biologernas förståelse för social dynamik.
PLoS Computational Biology paper undersöker hur Bayesianska statistiska metoder kan användas för att väga sannolikheten för fel och anpassa bedömningar från aktörer inom ett socialt nätverk med en mer nyanserad förståelse av rykte. "Det är något vi vanligtvis gör när vi försöker ge en förklaring till vissa fenomen utan någon uppenbar, okomplicerad eller intuitiv lösning", säger Akçay.
Bryce Morsky, medförfattare till båda artiklarna och nu biträdande professor vid Florida State University, började arbetet under sin postdoktorala forskning i Akçays labb. Han säger att han till en början trodde att redovisning av fel i bedömningen avsevärt skulle kunna förbättra det belöning- och straffsystem som ligger till grund för samarbetet och att han förväntade sig att en bättre förståelse för dessa fel och att införliva dem i modellen skulle främja ett effektivare samarbete.
"Hypotesen var i huvudsak att en minskning av fel skulle leda till en mer exakt bedömning av rykten, vilket i sin tur skulle främja samarbete", säger han.
Teamet utvecklade en matematisk modell för att simulera Bayesian resonemang. Det involverade en spelteoretisk modell där individer interagerar inom ramen för donationsbaserade möten. Andra individer i simuleringen bedömer aktörernas rykte baserat på deras handlingar, påverkade av flera fördefinierade sociala normer.
I byns sammanhang innebär detta att man dömer varje bybor efter deras handlingar – oavsett om de hjälper en annan (bra) eller underlåter att göra det (dåligt) – men också att ta hänsyn till deras historiska rykte och potentialen som du inte bedömde korrekt.
"Så, till exempel, om du observerar någon som beter sig dåligt, men du trodde att de var bra innan, håller du ett öppet sinne som du kanske inte såg rätt. Detta möjliggör en nyanserad beräkning av rykteuppdateringar", säger Morsky. Han och kollegor använder den här modellen för att se hur fel och resonemang skulle påverka bybornas uppfattning och sociala dynamik.
De fem viktiga sociala normer som studien utforskar är:Poängsättning, Undanning, Enkel stående, Staying och Stern Judging; var och en påverkar individers rykte och efterföljande beteende på olika sätt, vilket förändrar de evolutionära resultaten av samarbetsstrategier.
"I vissa scenarier, särskilt under Scoring, förbättrade Bayesianska resonemang samarbetet, säger Morsky. "Men under andra normer, som Stern-bedömning, resulterade det i allmänhet i mindre samarbete på grund av strängare bedömningskriterier."
Morsky förklarar att under Poängsättning tillämpas en enkel regel:Det är bra att samarbeta (ge) och dåligt att defekta (inte ge), oavsett mottagarens rykte. Medan under Stern bedömning beaktas inte bara individers handlingar, utan deras beslut utvärderas också kritiskt baserat på mottagarens rykte.
I sammanhanget med nyfikna grannar, om en bybor bestämmer sig för att hjälpa en annan, noteras denna åtgärd positivt under Poängsättning, oavsett vem som får hjälpen eller deras ställning i byn. Omvänt, enligt Stern Judging om en bybor väljer att hjälpa någon med dåligt rykte noteras det negativt, säger forskarna.
Han tillägger att bristande samarbete var särskilt uppenbart i normer där Bayesianska resonemang ledde till mindre tolerans för fel, vilket kunde förvärra meningsskiljaktigheter om rykte istället för att lösa dem. Detta, tillsammans med vetskapen om att människor inte väger all relevant information innan de bestämmer vem de ska arbeta med, fick Akçay och Morsky att undersöka andra sätt att resonera.
Medan han arbetade i Akçays labb, rekryterade Morsky Neel Pandula, då tvåa på gymnasiet. "Vi träffades genom Penn Laboratory Experience in the Natural Sciences-programmet", säger Morsky. "I ljuset av den bayesianska resonemangsmodellen föreslog Neel abduktivt resonemang som ett annat tillvägagångssätt för att modellera resonemang, och så vi började skriva den artikeln för Journal of Theoretical Biology , som han blev första författare till."
Pandula, nu förstaårsstudent vid College of Arts and Sciences, förklarar att han och Morsky använde Dempster-Shafer Theory – ett probabilistiskt ramverk för att sluta sig till de bästa förklaringarna – för att ligga till grund för deras tillvägagångssätt.
"Vad som är nyckeln här är att Dempter-Shafer-teorin tillåter lite flexibilitet i hanteringen av osäkerhet och möjliggör att integrera nya bevis i befintliga trossystem utan att helt förbinda sig till en enda hypotes om inte bevisen är starka", säger Pandula.
Till exempel förklarar forskarna, i en by, att se en bra person hjälpa en annan bra person att anpassa sig till sociala normer och är lätt accepterad av observatörer. Men om en bybor känd som dålig ses hjälpa en bra person, motsäger det dessa normer, vilket leder till att observatörer ifrågasätter det inblandade ryktet eller riktigheten i deras observationer. Sedan använder de reglerna för abduktivt resonemang, särskilt Dempster-Shafer-teorin, med tanke på felfrekvenser och typiska beteenden för att fastställa den mest sannolika sanningen bakom den oväntade handlingen.
Teamet förutsåg att bortförande resonemang skulle hantera fel i ryktebedömningar mer effektivt, särskilt i offentliga miljöer där individer kan utsättas för press på ett eller annat sätt vilket resulterar i diskrepanser och fel. Under Scoring och de andra normerna fann de att bortförande resonemang bättre kunde främja samarbete än Bayesian i offentliga miljöer.
Akçay säger att det kom som lite av en överraskning att se att när man navigerar i sociala nätverk, bevisar en så enkel "kognitivt "billig, lat" resonemangsmekanism att detta är effektivt för att hantera de utmaningar som är förknippade med indirekt ömsesidighet."
Morsky noterar att i båda modellerna valde forskarna att inte ta med någon kostnad för en kognitiv börda. "Du skulle hoppas att att utföra en krävande uppgift som att komma ihåg vilka individer som gjorde vad och att använda det för att informera dig om vad de sannolikt kommer att göra härnäst skulle ge ett positivt, prosocialt resultat. Men även om du gör denna ansträngning kostnadslös, under Bayesian resonemang undergräver det i allmänhet samarbetet."
Som en uppföljning är forskarna intresserade av att utforska hur billiga resonemangsmetoder, som abduktiva resonemang, evolutionärt kan gynnas i större, mer komplexa sociala kretsar. Och de är intresserade av att tillämpa dessa resonemangsmetoder på andra sociala system.
Mer information: Bryce Morsky et al, Indirekt ömsesidighet med Bayesianska resonemang och fördomar, PLOS Computational Biology (2024). DOI:10.1371/journal.pcbi.1011979
Neel Pandula et al, Indirect reciprocity with abductive reasoning, Journal of Theoretical Biology (2023). DOI:10.1016/j.jtbi.2023.111715
Journalinformation: Journal of Theoretical Biology , PLoS Computational Biology
Tillhandahålls av University of Pennsylvania
