成员满意度与社会影响力在塑造群体凝聚力和迁移行为之间的相互作用

《Journal of Computational Science》：The interplay between member satisfaction and social influence in shaping group cohesion and migration

　　亚拉·哈卢夫 | 格特·扬·霍夫斯特德
计算智能小组，阿姆斯特丹自由大学计算机科学系，德布莱拉安1105号，阿姆斯特丹，1081 HV，荷兰

**摘要**
本研究探讨了个体离开社会群体的决策动态，重点关注两个主要因素：当前群体内的满足感以及对其他群体的吸引力，后者源于关于群体成员满意度的共享信息。群体内的满足感被定义为随着时间推移通过人际互动获得的加权正面反馈的结果，其中最近的社交互动比过去的经历具有更强的影响力。个体将反馈存储在记忆中，最近获得的反馈被赋予更高的权重，因此满足感会受到近期经历的动态影响。因此，群体内的满足感由人际互动、记忆和学习共同塑造，而对外部群体的吸引力则源于通过社交网络传递的关于这些群体成员满意度水平的共享知识。

我们使用基于 agent 的建模方法来模拟这些因素如何影响个体行为、群体凝聚力以及更广泛的社会模式的形成。该模型考察了个体如何权衡当前满足感与其他群体中的潜在益处，从而决定是留在当前群体还是迁移。通过在完全连接（FC）和优先联系（PA）网络结构中进行测试，这种方法提供了关于群体形成和迁移动态的见解，对于理解各种社会和环境背景下的集体行为具有应用价值。

**1. 引言**
社会群体动态在塑造人类社会方面起着根本性作用，影响着行为、决策过程和流动模式。从工作场所的归属关系到政党的更迭以及城市迁移，个体不断根据个人满足感和外部因素评估自己的群体成员身份。决定是否留在群体中或离开群体主要受两个因素驱动：（i）当前群体内的满足感；（ii）对其他群体的吸引力。前者源于群体内部的直接互动，而后者则受到关于其他群体感知利益的社交比较和信息流动的影响。这里的“利益”以地位利益的形式存在，因为 agent 是受 Kemper 的地位需求所驱动的[1]。“满足感”在这里指的是 agent 在实现或未能实现这些基于地位的奖励时所经历的情感反应。理解支配这些决策的机制对于解释大规模社会结构、群体凝聚力和迁移趋势至关重要。

尽管在社会心理学、网络科学和计算建模领域有大量研究，现有框架往往缺乏对群体内部个体决策过程的机械性建模。传统的社会身份理论[2]强调群体内部的偏好和群体间的差异，但没有明确模拟满足感和迁移如何随时间演变。同样，Festinger 的社会比较理论[3]认为个体根据同伴的情况评估自己的满足感，从而影响群体归属感，但它没有考虑到学习、记忆和不确定性，而这些在现实世界的决策中至关重要。基于 agent 的建模（ABM）[4][5]的最新进展为群体形成和迁移动态提供了宝贵的见解，但许多模型假设固定的互动规则和简化的决策启发式方法，未能捕捉到人类社会行为的适应性。

本研究提出了一种新的基于 agent 的模型，该模型将群体凝聚力和迁移视为个体决策在动态条件下的涌现属性。Agent 持续评估其在当前群体中的满足感，并将其与其他群体预期的满足感进行比较。Agent 无法直接获取其他群体的实际满意度水平；相反，它们依赖于社交网络中个体共享的满意度报告。为了理解这些不完整且可能存在噪声的信息，Agent 使用贝叶斯推理来更新对其他群体的信念。贝叶斯更新使 Agent 能够随着时间的推移不断细化其信念。Agent 不会简单接受单一报告，而是整合多个观察结果，并根据收到的报告的可靠性和可变性来调整预期。这确保了迁移决策更加明智和稳定，因为 Agent 逐渐对群体间的相对满意度有了更清晰的认识。这种概率方法反映了现实世界的决策过程，即个体并不具备所有选项的完美知识，而是根据其社交圈内可用的信息进行推断和适应。贝叶斯更新机制 thus 确保迁移行为不仅仅是反应性的，而是由累积的学习过程所塑造的，Agent 随着时间的推移逐步调整对不同群体的期望。结合以地位为导向的动机，这种方法与社会学情感控制理论[6][7]的概念相一致，其中 Agent 通过其行为和身份努力维持文化上共享的情感意义。这种概念与 Kemper 的社会关系理论类似，其中情感体验与地位和权力的变化相关联。在这种背景下，认可和尊重是感知满足度的关键指标。

该模型整合了四个关键参数来调节社会影响和决策过程：（i）对即时反馈的遵从性（α）——它决定了个体受群体成员互动影响的程度；（ii）记忆持久性（β）——它代表了过去满意度体验在塑造当前决策中的权重；（iii）对满意度差异的敏感性（τ）——它控制了 Agent 在感知到满意度差异时迁移的可能性；（iv）社会推理中的不确定性（σ2）——它决定了由于信息不完整或噪声导致的满意度估计的变异程度。通过系统地在五个不同场景中变化这些参数，我们研究了遵从性、记忆、迁移敏感性和不确定性之间的相互作用如何影响群体凝聚力、迁移率和满足度动态。我们的模型通过结合贝叶斯学习、记忆衰减和异质迁移敏感性，扩展了现有理论，提供了对社会适应和流动性的更现实描述。

所提出的模型还为社会学理论提供了具体的操作性解释。Kemper 的地位-权力视角将情感反应视为对社会地位的得失的反应，这在这里对应于 Agent 如何评估和积累群体内部的人际反馈。情感控制理论同样强调通过重复互动维持情感意义，这一原则体现在 Agent 在形成对群体归属感的预期时整合 recent 和过去的经历上。Festinger 的社会比较理论进一步支持了群体间推理过程：Agent 通过将自己的内部评估与来自他人的社交传递的、可能存在噪声的报告进行比较来评估其他群体的吸引力。通过将追求地位、情感调节和基于比较的评估融入同一决策过程，该框架与最近的研究结果一致，这些研究强调适应性学习和信息不确定性是集体社会行为的关键驱动因素[8][9][10][11][12]。

**2. 相关工作**
**2.1. 群体凝聚力和迁移**
群体凝聚力指的是个体由于社会纽带、共享规范和行为的相互强化而倾向于留在群体中的倾向。关于社会凝聚力和同质性的经典研究表明，共享的信念和态度增强了群体团结，降低了背叛或迁移的可能性[13]。计算模型探讨了凝聚力是如何从重复互动中产生的，特别是在有限信心模型[14]中，其中 Agent 调整观点的意愿取决于预定义的阈值。同样，Axelrod 的文化传播模型[15]展示了局部收敛如何加剧全球两极分化，说明了互动驱动的凝聚力和碎片化的双重作用。虽然凝聚力稳定了群体成员身份，但它同时也影响了个体考虑离开群体的条件，从而将凝聚力动态直接与迁移决策联系起来。

在迁移的背景下，社会身份理论的理论表明，个体将当前群体的利益与感知的外部机会进行比较，当不满产生时会导致群体间的流动[16]。关于社会流动性和迁移的实证研究表明，不确定性和对外部群体的不完整信息会影响决策，经常导致现状偏见[17]。现状偏见指的是个体即使转换成本很低，也倾向于过分偏好当前状态。我们的模型通过结合贝叶斯更新来捕捉这些动态，其中 Agent 根据群体间互动中的满意度报告调整对外部群体的预期。

**2.2. 社会影响和决策规则**
社会影响机制在塑造群体内的集体行为和决策过程中起着关键作用。关于遵从性和规范形成的研究表明，个体受到邻居行为的影响，导致自我强化的社会规范[18]。社会影响的阈值模型[19]表明，个体采取某种行为的可能性取决于其本地网络中采纳者的比例，为理解群体遵从性和对变化的抵抗提供了基础。阈值模型在将迁移视为由累积的不满引发的决策方面具有相关性；然而，与固定阈值不同，我们的模型允许迁移倾向通过贝叶斯信念更新来概率性地显现。

之前的基于 agent 的模型探讨了社会影响如何塑造观点动态和决策[20]。例如，关于带有记忆效应的观点动态的研究[21]表明，Agent 的先前经验强烈影响其对新信息的反应，这与我们模型中的满意度记忆机制相一致。贝叶斯决策模型也被用来模拟不确定环境中的类似人类的学习[22]，展示了先前信念如何与新证据互动以指导迁移行为。我们的模型通过结合贝叶斯推理和社会中介的满意度更新，扩展了之前的基于 agent 的社会影响和迁移模型，使 Agent 在迁移前能够形成对其他群体的预期。

**2.3. 社会背景下的贝叶斯学习**
贝叶斯模型已被广泛用于捕捉社会背景下的适应性学习和决策。在群体互动中，贝叶斯推理允许个体根据新的观察结果更新他们对外部条件的信念，反映了有限理性和适应性学习[23]。关于社交网络中贝叶斯学习的研究表明，信息传播和信念修正可以显著改变迁移模式，特别是在信息不确定或选择性共享的情况下[24]。关于观点动态的实证研究表明，贝叶斯更新可以解释个体如何在过滤掉无关或误导性信号的同时整合社会反馈[25]。在迁移的背景下，贝叶斯方法已被用来通过平衡与迁移相关的感知风险和奖励来模拟人类迁移决策[26]。我们的模型应用了类似的原则：Agent 使用贝叶斯推理来评估外部群体的满意度，结合了直接的社会互动和来自群体间链接的报告。

**2.4. 网络拓扑**
网络拓扑在塑造社会影响、凝聚力和迁移方面起着根本性作用。完全连接（FC）的群体内网络确保群内所有成员相互互动，最大化了共享满意度反馈的暴露。这与关于密集社交网络的研究结果一致，这些研究表明群体内的高聚类促进了强烈的规范压力和遵从性[28]。这种结构常见于小型人类社区，其中频繁的互动促进了群体稳定和共享规范。完全连接的群体内网络代表了群体成员具有高度相互可见性的情境（例如，小型团队或紧密联系的社区），而优先联系的群体间网络则捕捉了对外部信息的异质性暴露。

对于群体间互动，我们采用了优先联系（PA）网络，这是一种公认的捕捉社会系统中异质性影响的模型[29][30]。PA 网络的无标度特性确保某些群体作为具有不成比例高连接性的枢纽，反映了现实世界中的社交结构，其中一些社区非常显眼且具有影响力，而其他社区则处于边缘地位。关于社会流动性和影响扩散的实证研究表明，类似 PA 的结构导致对外部想法的暴露不平等和不同的迁移模式[31]。通过实施 FC 的群体内网络和 PA 的群体间网络，我们的模型复制了这些不对称性，允许 Agent 在群体内部自由互动，同时选择性地与外部社区互动。

虽然之前的研究探讨了观点动态、社会影响和迁移，但我们的研究独特地结合了贝叶斯推理、网络异质性和动态满意度更新来解释群体凝聚力和迁移行为。与假设 Agent 根据固定信心阈值调整观点的标准观点扩散模型不同，我们的模型结合了动态学习，其中个体在做出迁移决策之前会适应性地权衡他们的过去经验、当前满足感和外部报告。此外，我们的网络结构在保持高群体内连接性（FC）的同时，也实现了选择性的群体间曝光（PA），更好地捕捉了密集社区与更广泛网络互动的真实社会环境。

**3. 材料和方法**
本节介绍了建模框架，该框架整合了群体内满意度、群体间吸引力和决策过程。群体内满意度是通过当前群体内互动的直接反馈和记忆来计算的。群体间吸引力则是通过贝叶斯更新推断的，结合了来自其他群体成员的共享满意度信息。决定是留下还是迁移是由预期效用理论[32]指导的，该理论平衡了当前群体和替代群体预期带来的收益。3.1. 代理属性和定义每个代理i具有以下属性：•Si：代理i对其当前群体的满意度，基于互动和记忆计算得出。•S?Gk：对群体Gk平均满意度的信念，从共享的满意度数据中推断得出。•Sj：属于Gk的代理j报告的满意度，作为证据共享。•Ni：代理i的社会网络，代表其与其它代理的连接。3.2. 在当前群体中建模满意度代理i对其当前群体的满意度是确定性的，计算公式为：(1)Si=α?Fi+β?Mi，其中：•Fi=1|NiGi|∑j∈NiGifij：与群体成员互动的反馈。•Mi=∑t=1Twt?Fi(t)∑t=1Twt：过去互动的记忆，wt作为权重强调最近互动。•α,β：当前反馈和记忆的权重。满意度函数的结构反映了两种理论上有根据的情感评估来源。首先，代理当前满意度Si与其群体内邻居平均满意度S?N(i)之间的比较体现了Festinger的社会比较理论：与亲近者的一致性增加了感知的归属感并验证了代理的评估立场，而差异则减少了感知的契合度。这种效应体现在Fi中的兼容性项中，当代理偏离群体规范时，该项会降低反馈的权重。其次，通过记忆项Mi随时间整合互动结果反映了Kemper的地位-情感框架，其中情绪源于在关系背景下的社会地位的累积评估。持续的兼容性产生积极的情感强化，而反复的不一致则构成感知上的地位损失。这些机制共同产生了一个满意度信号，结合了即时的社会评估和历史的关系经验，为后续的贝叶斯推断和迁移决策提供了基础。3.3. 推断其他群体的满意度关于群体Gk平均满意度的信念S?Gk使用贝叶斯定理更新：P(S?Gk|Sj)=P(Sj|S?Gk)P(S?Gk)/P(Sj)。•先验（P(S?Gk）：代表对群体Gk满意度的初始信念，可以是均匀的，也可以基于历史数据得出。•似然（P(Sj|S?Gk）：模拟在给定S?Gk的情况下观察到Sj的概率：P(Sj|S?Gk)∝exp?(Sj?S?Gk)2/2σ2，其中σ2代表满意度报告的方差。•证据（P(Sj）：确保归一化，计算公式为：P(Sj)=∫P(Sj|S?Gk)P(S?Gk)dS?Gk。假设多个满意度观察结果是独立的，后验计算公式为：(2)P(S?Gk|{Sj})∝exp?∑j∈Gk(Sj?S?Gk)2/2σ2P(S?Gk)。项(Sj?S?Gk)2衡量了报告的满意度(Sj)与代理对群体满意度的当前先验(S?Gk)的偏离程度。较小的差异意味着报告的满意度与代理的知识相符，而较大的差异则表明不符。参数σ2用于表示收到的满意度报告中的变异性。较大的σ2会在群体间满意度推断中引入更多噪声，使得决策不够精确。高斯似然假设满意度报告围绕一个群体级别的满意度波动，并带有对称的噪声，这是贝叶斯社会学习模型和自我报告情感的实证研究中的常见假设。代理根据后验评估群体Gk的预期满意度：E[S?Gk]=∫S?Gk?P(S?Gk|{Sj})dS?Gk。这个方程将收到的满意度报告与代理的先验结合起来，形成了一个单一的数字：所有可能满意度水平的平均值，按每种可能性加权。3.4. 留下或迁移的决策代理比较留在当前群体与迁移到另一个群体的预期效用：EUstay=Si，EUmigrate toGk=E[S?Gk]。迁移到群体Gk的概率为：(3)P(migrate toGk)=exp(E[S?Gk]/τ)exp(Si/τ)+∑m≠Giexp(E[S?Gm]/τ)，敏感性参数τ调节代理在其当前群体和潜在替代群体之间的预期满意度差异的区分程度。较小的τ值对应于高度果断的行为，即使微小的满意度差异也可能触发迁移，而较大的τ值则引入决策噪声或满足行为。这种表述与有限理性观点一致，捕捉到个体在改变群体成员资格之前倾向于容忍适度的不满，并需要更强的证据。3.5. 代理互动社会网络的结构在信息如何在代理之间流动以及满意度信念如何演变和迁移决策如何展开方面起着根本性作用。我们模型中选择网络结构的动机是对社会互动的现实表示以及控制群体内部和群体间连接的不同机制。在群体内部，个体更有可能以平衡和结构化的方式与许多人互动，而在群体之间，连接模式往往遵循异质性的、受影响力驱动的、优先选择的互动。许多高度凝聚的群体，如家庭、工作团队和小社交圈，表现出完全连接的互动结构。因此，在每个群体内部（群体内），我们采用完全连接（FC）结构，确保每个代理直接与同一群体的所有其他成员互动。对于群体间的连接，我们使用优先连接（PA）机制[29]，[33]，代理更有可能基于外部成员的受欢迎程度或影响力与其它群体的成员互动。这种结构反映了现实世界中群体间互动的模式，个体倾向于与知名或社会上突出的成员形成跨群体联系，而不是随机同伴。3.6. 分析模型输出的指标为了分析模拟提出的模型所产生的动态，我们定义了以下指标：•群体凝聚力：群体凝聚力量化了特定群体内代理的平均满意度。计算公式为：Ck=∑i∈GkSi|Gk|，其中Si代表代理i的满意度，|Gk|是群体Gk的大小。这个指标反映了同一群体内代理之间的一致性或共识水平。•迁移率：迁移率衡量在给定时间步长内改变群体的代理比例。定义公式为：Mr=1/N∑i=1N(Gi≠Giprev)，其中Gi是代理i当前所在的群体，Giprev是代理在前一个时间步长所在的群体，N是代理总数，1(?)是一个指示函数，如果条件成立则等于1，否则等于0。迁移率捕捉了群体成员资格随时间的动态性或稳定性。•满意度离散度：这个指标量化了满意度值在人群中的分布或不平等程度。计算公式为：P=Var(S)，其中S代表所有代理的满意度值。较高的值表示满意度水平差异较大，而较低的值表明更加均匀。•代理满意度：代理满意度量化了模拟中所有代理的总体平均满意度。计算公式为：S?=1/N∑i=1NSi，其中Si是代理i的满意度，N是代理总数。这个指标提供了整个系统中代理满意度的全球性衡量。3.7. 模拟实现每次模拟包括N=100个代理，分布在G=5个群体中，并运行T=30个时间步长。对于每个参数场景，结果是对R=50次独立运行的平均值。初始群体成员资格是随机分配的，因此初始群体大小不是固定的，而是在运行中变化的。初始满意度值是从[0,1]的均匀分布中独立抽取的。对于网络结构，使用参数m=3的优先连接机制生成群体间链接，而群体内链接是完全连接的。在群体内也使用优先连接的替代配置中，群体内网络使用m=2生成，但在大小为1或2的群体中，m会根据需要减少以确保图的有效构建。敏感性分析为了评估本研究中报告的动态是否依赖于记忆聚合和满意度报告不确定性的特定功能公式，我们进行了专门的敏感性分析。详细信息和结果见附录。测试表明，模型的定性模式在替代的记忆衰减结构和增加的噪声水平下仍然稳定，表明出现的行为在结构上是稳健的。4. 结果和讨论为了研究关键模型参数——α（对反馈的顺从性）和β（记忆持久性）在方程（1）中的影响，τ（对满意度差异的敏感性）在方程（3）中的影响，以及σ2（满意度报告的不确定性）在方程（2）中的影响——对群体行为的影响，我们分析了五种不同的场景（见表1），每种场景由一组独特的参数值定义。场景1的特点是高α和低τ，强调强烈的反馈顺从性和对满意度差异的高敏感性。场景2到5逐渐降低α，同时增加β、τ和σ2，分别引入更大的记忆持久性、较低的敏感性和增加的不确定性。这些变化共同反映了从确定性顺从（高α，低β）向更具探索性和经验驱动的决策制定的转变，在这种决策制定中，代理优先考虑长期稳定性而非短期波动。如果β较低而τ和σ2增加，代理将缺乏决策的稳定锚点，导致对不可靠的满意度估计做出迁移行为。相反，如果β较高但τ和σ2较低，代理会变得过于僵化，固守记忆而对即使是微小的满意度差异也过度敏感，导致迁移模式的不稳定振荡。所选择的变化方向确保了自然的平衡——通过减少群体内影响的即时权重（α），鼓励长期学习（β），同时增加对满意度变化（τ）和群体间不确定性（σ2）的容忍度，系统支持更适应性强、稳定性和探索性的迁移动态。为了评估模型行为的普遍性，每种场景都进行了50次独立运行，每次运行都有随机的初始条件。对于每次运行，代理满意度值、群体成员资格和网络实现都被重新采样。报告的结果对应于这些重复实验的平均动态，标准差以图中的阴影区域显示。选择这五个参数场景是为了涵盖广泛的行为范围，改变了即时反馈（α）、记忆持久性（β）、决策敏感性（τ）和不确定性（σ2）的相对权重。下载：下载高分辨率图像（379KB）下载：下载全尺寸图像图1. 不同场景下平均凝聚力的时间演变。表1. 模拟场景的参数组合。场景αβτσ210.90.10.050.120.70.30.10.530.50.50.51.040.30.71.02.050.10.92.01.0为了评估每个参数对观察到的宏观结果的贡献，我们使用随机森林回归模型进行了特征重要性分析。对于每次运行，我们计算了平均凝聚力、迁移率和满意度离散度随时间的变化，并将这些指标对场景参数（α,β,τ,σ2）进行了回归。结果特征重要性得分（表2）表明α是所有三个指标中最强的驱动因素，反映了即时情感反馈在塑造集体结果中的核心作用。不确定性参数σ2也具有显著的全局影响，解释了25%到29%的方差，而τ对迁移决策的清晰度有更温和的影响。记忆权重β显示出最小的贡献，表明长期情感累积相对于即时社会评估和不确定性起次要作用。接下来，我们讨论了模型输入参数对不同评估指标的影响。表2. 关键指标的特征重要性。指标Alpha (α)Beta (β)Tau (τ)Sigma2 (σ2)凝聚力34.63%17.83%18.86%28.68%迁移率37.62%20.20%17.13%25.04%满意度离散度33.52%20.57%21.39%24.52%4.1. 对群体凝聚力的影响特征重要性分析和平均凝聚力随时间的变化图（图1）显示α是对凝聚力最具影响力的参数，贡献了大约35%。这强调了来自邻居的即时反馈在促进群体内部一致性中的作用。场景1的特点是高α=0.9和低τ=0.05，实现了最高的凝聚力值，证实了短期反馈在促进群体团结中的重要性。随着α的降低和β、τ、σ2在场景2到5中的增加，凝聚力逐渐下降。σ2（29%）的影响表明，满意度报告的变化性增加阻碍了群体团结。同时，β（18%）和τ（19%）的贡献较小，表明记忆持久性和对满意度差异的敏感性对凝聚力有中等程度的影响。这一发现与凝聚力的时间趋势一致，其中α的下降与对即时反馈的顺从性降低有关，随着时间的推移减弱了群体团结。4.2. 对迁移率的影响迁移率分析（图2）显示了代理流动性的逐渐下降，这主要受α（38%）的影响。这反映了邻居反馈在塑造迁移决策中的关键作用。在场景1中，高α=0.9和低τ=0.05导致高迁移率，因为代理对满意度差异非常敏感。随着τ和σ2在后续场景中的增加，迁移率趋于稳定。σ2（25%）的特征重要性表明，贝叶斯更新中的较大不确定性通过增加感知的群体间利益的模糊性来抑制迁移。值得注意的是，τ仅贡献了17%，表明对满意度差异的敏感性对流动性的影响相对有限。这些发现在场景4和5中得到体现，其中更高的不确定性和较低的反馈顺从性减少了运动，稳定了群体成员资格。下载：下载高分辨率图像（436KB）下载：下载全尺寸图像图2. 不同场景下迁移率的时间演变。4.3.**对满意度-分散动态的影响**
满意度-分散动态（图3）显示，在所有情景中都存在整体下降趋势，其中情景1的满意度方差最大。特征重要性分析表明，α（34%）是导致满意度异质性的主要因素，这反映了邻居反馈在促使代理根据群体内部互动产生分歧中的作用。相反，σ2（25%）、β（21%）和τ（21%）通过引入变异性、记忆持久性和敏感性调节分别减少了满意度异质性。情景5的满意度异质性最低，这突显了高β、τ和σ2的均质化效果。这表明长期记忆、不确定性和降低的敏感性共同稳定了满意度水平，减少了群体内部的方差。

**下载：**下载高分辨率图片（385KB）
**下载：**下载全尺寸图片

**图3.** 不同情景下满意度分散（满意度方差）的时间演变。

**4.4 对代理满意度和稳定性的影响**
通过研究满意度分布（图4），我们获得了更多见解。情景1的中位数满意度最高，但满意度分布也最宽，与高异质性一致。相比之下，情景4和5的满意度分布较窄，反映出更大的稳定性。特征重要性分析将α确定为主要参数（35%），强调了即时反馈在满意度结果中的作用。然而，σ2（29%）也有显著贡献，表明满意度报告的变异性会影响个体幸福感。群体规模动态（图5）进一步证实了这些趋势。在情景5中，群体规模趋于均匀，这反映了通过高β、τ和σ2实现的平衡状态。这与情景1形成对比，在情景1中，由于对满意度差异的高敏感性，群体规模出现了显著波动。

在凝聚力、迁移和满意度分散中观察到的定性模式可以通过模型中反馈和推理机制的互动来解释。α的高值增加了即时社会反馈的权重，从而加强了群体内部的正面反馈循环：代理迅速调整自己的满意度以适应邻居的主导情绪。这种强化过程产生了强烈的凝聚力。然而，同样的机制也放大了群体间的初始差异，导致群体间的方差增加，从而提高了满意度异质性。

**下载：**下载高分辨率图片（235KB）
**下载：**下载全尺寸图片

**图4.** 不同情景下的代理满意度分布。

**下载：**下载高分辨率图片（281KB）
**下载：**下载全尺寸图片

**图5.** 不同情景下群体规模动态的时间演变。

满意度报告中的不确定性也起着重要作用。随着噪声水平σ2的增加，群体吸引力的贝叶斯后验分布变得更加平坦，降低了不同群体效用之间的差异。由于迁移决策是通过softmax函数做出的，不确定性的增加降低了群体转换的概率，从而在模拟中观察到较低的迁移率。

**局限性**
当前模型的一个局限性是使用偏好连接来表示群体间的连接性。虽然这能够捕捉基于枢纽的可见性和不平等的曝光度，但在群体间互动由正式组织角色、行政规则或地理限制的协调所决定的情况下，这种方法可能不太适用。此外，该模型尚未经过实证数据验证，因此应将其视为一个理论驱动的框架，而非预测工具。未来的工作可以通过引入替代的网络拓扑结构，并根据群体动态、迁移或人员流动行为的实证观察来校准模型，以解决这些局限性。

**5. 结论**
本研究提出了一个计算蚁群模型（ABM）框架，通过整合社会影响机制、贝叶斯学习和基于网络的互动来理解群体凝聚力和迁移。通过模拟不同的从众程度、记忆持久性、对满意度差异的敏感性和不确定性，我们研究了这些因素如何塑造社会稳定性和流动性。结果表明，来自群体内部互动的即时反馈（α）是影响凝聚力、迁移和满意度分散的最重要因素。高α值促进了强烈的凝聚力，但也导致了更大的满意度异质性，如情景1所示。相反，增加记忆持久性（β）、对满意度差异的容忍度（τ）和不确定性（σ2）减少了满意度异质性，并稳定了迁移模式，使得情景4和5中的群体分布更加平衡。使用完全连接的群体内部网络确保了群体内部快速达成共识，增强了凝聚力，而偏好连接的群体间网络捕捉到了现实中的迁移路径，其中有影响力的群体吸引了更多的成员流动。这种网络结构突显了群体间影响的不对称性，这与关于社会流动性和群体声誉效应的实证发现一致。

除了理论贡献外，该模型还为多个应用领域提供了直接相关的见解。在组织环境中，短期互动反馈与长期经验记忆之间的相互作用提供了一种机制性的解释，说明了凝聚力单元如何形成、持续或分裂，这对人员流动动态和团队层面的干预措施具有重要意义。在住宅或社区迁移背景下，结果说明了感知的群体地位和群体间的比较如何稳定或破坏人口分布，特别是在不同不确定性水平下。在在线社区中，模型的贝叶斯更新机制捕捉了群体间评价的曝光如何放大或减弱数字子群体之间的迁移，从而影响了平台层面的满意度演变。

**下载：**下载高分辨率图片（216KB）
**下载：**下载全尺寸图片

**图6.** 情景3下凝聚力的时间敏感性分析。基线模型、指数记忆和高噪声配置的比较。

**下载：**下载高分辨率图片（326KB）
**下载：**下载全尺寸图片

**图7.** 情景3下迁移率的时间敏感性分析。在不同记忆和噪声配置下，迁移率保持稳定，表明行为的稳健性。

总之，这些发现表明，管理对即时反馈的敏感性（α）或整合累积经验（β）可以作为影响现实世界集体系统中凝聚力和流动性的有效手段。此外，不确定性（σ2）在调节迁移中的作用突显了信息可靠性和透明度在社会技术和组织环境中的重要性。

**下载：**下载高分辨率图片（194KB）
**下载：**下载全尺寸图片

**图8.** 情景3下满意度分散的时间敏感性分析。尽管较高的噪声会减缓早期收敛速度，但所有条件最终都达到了相似的长期方差水平。

**CrRediT作者贡献声明**
Yara Khaluf：写作——审阅与编辑、撰写原始草稿、可视化、方法论、概念化。
Gert Jan Hofstede：写作——审阅与编辑、概念化。