网络上具有不完全社会信息的模仿动力学
摘要：效仿是动物和人类社会中重要的社会学习启发式，推动了集体行为的演化。先前的探索发现合作者的命运对模仿的协议非常敏感，包括用于比较的社交同伴数量以及是否考虑自己的表现。这就引发了一个难题，即如何量化不同模仿方式对合作演化的影响。在这里，我们以模仿所需的个人和社会信息为切入点，提出了一个新的视角。我们开发了一个具有不完全社会信息的模仿动力学的普遍模型，将经典的模仿过程（包括死亡-出生和成对比较更新规则）集合在一起。在成对社交困境中，我们发现如果个体在模仿时忽视个人信息，合作最容易促进。如果考虑个人信息，合作者更容易在更多社交信息的情况下进化。有趣的是，在低聚类程度的网络中进行更大团体的互动时，使用更多的个人信息和较少的社交信息更有利于促进合作。通过研究不同社交困境引发的竞争的速率和范围，我们提供了一个统一的视角，揭示了这些现象背后的直觉。
作者：Xiaochen Wang, Lei Zhou, Alex McAvoy, Aming Li
论文ID：2306.03781
分类：Physics and Society
分类简称：physics.soc-ph
提交时间：2023-06-07