行为学研究

　　第二阶段：行为科学理论　　现代管理理论的重要发展是20世纪30年代至70年代兴起的行为科学理论。行为科学理论涉及心理学、政治学、社会学、人类学和管理学，行为科学的研究使管理思想出现了重大的转变，即从强调个体特征转移到注重“群体动力过程”，从而使管理心理学得到了长足的发展和完善。　　1．霍桑研究与人群关系理论　　行为科学学派是以霍桑研究为标志而形成和发展起来的。在1924年至1932年的霍桑研究中，以哈佛大学著名心理学家梅奥为首的一批学者，在美国芝加哥附近的西方电气公司霍桑工厂进行了一系列实验，运用科学方法考察员工工作行为。　　霍桑研究分为三个阶段，用以评价物理条件变化和管理措施对于工作效能的影响。在霍桑研究的第一阶段，研究者分析了厂房照明对生产率的影响。测试组所在的工作场所照明强度变化，而对照组则处于恒定照明强度条件。研究者曾预期，测试组员工会由于灯光的明暗而影响劳动生产率；对照组则会因为照明强度恒定而保持产量稳定。出乎意料的是，两个组的生产率都提高了研究者们分析认为，可能是社会条件变化，如员工受到研究者的重视，说明了两组生产的提高。为了验证这一假设，研究者进行了进一步的实验，考察职务简化、奖励、缩短工作时间、工间休息和友好监管等措施的效应。结果表明，生产率的提高在很大程度上是由于管理方式和群体关系及规范而引起员工态度的变化。因此，霍桑研究表明，员工的士气和积极性主要决定于群体规范、群体奖励和工作支持等社会心理因素。霍桑研究对注重效益与个体的科学管理和行政管理原则提出了挑战，并推动了“人际关系”理论的发展，把管理的焦点从单纯改进效益转移到增强员工成长、团队关系和满意感。霍桑研究可以说是管理心理学的开端。　　2．X理论与Y理论　　20世纪60年代，人群关系理论出现两个基本思路：X理论与Y理论。道格拉斯·麦格雷格（Douglas_McGregor，1906～1964）提出了X理论，其基本假设认为：　　（1）人天生是不喜欢工作的，他们会尽可能逃避工作。　　（2）多数人都不愿负责任，无雄心大志，必须受别人的指导。　　（3）用强制、惩罚的办法才能迫使他们为实现组织目标而工作。　　持X理论观点的管理者，单纯从经济效益出发来管理和组织生产的各种元素——金钱、材料、设备和人员；注重于激励员工、指挥与控制他们的行为、矫正其行为，以满足组织的需要；认为员工对于组织需要都是被动和抵制的，需要加以说服、奖励或惩罚。麦格雷格认为，科学管理与行政管理学派比较倾向于X理论，而人群关系理论则更接近于Y理论。　　Y理论主要有以下几点假设：　　（1）在体力和心理上努力工作，就像游戏和休息。人们生来并非不喜欢工作；　　（2）外部控制和惩罚并非仅有的指挥工作、实现组织目标的途径，人们能对所承诺目标的实施进行自我指导和控制。　　（3）对于目标的承诺与对成就的奖励密切有关，最显著的奖励是自我和自我实现需要的满足，它会使人们朝着组织目标而努力。　　（4）回避责任、缺乏雄心大志、追安求稳等，都不是与生俱来的特征，在适当情景下，人们会学会接受和寻求责任。　　（5）人们都具有想像力和创造性，并能在现实中加以运用。　　持Y理论观点的管理者，除了从经济效益来组织生产的各种元素——金钱、材料、设备和人员，还把注意力放在帮助员工认识和开发自身的各种能力；管理的基本任务是设计和安排各种组织条件与方法。Y理论注重于帮助员工学会管理自己，而X理论则试图对员工加以控制，这是两种十分不同的管理思路。　　行为科学理论研究的问题范围很广泛，既包括个体的激励、满意，也涉及群体动力、领导行为，以及组织管理的一般问题。这些问题也成为管理心理学理论体系的重要组成部分。　　3．管理心理学应用　　到20世纪30年代末，尽管只有100位左右的工业心理学家，管理心理学在“二战”期间却获得了重要的进展。1921年，卡内基技术大学授予了第一个工业心理学博士学位。工业心理学逐步成为重要的职业领域，许多企业开始录用全职心理学家。同时，专业心理学咨询公司也应运而生。西方电气、梅西百货、宝洁公司等各类公司都从心理学咨询公司雇佣心理学家，取得管理心理学服务。

新智元推荐 来源：Nature编译：集智俱乐部翻译组(ID: swarma_org)【新智元导读】由MIT媒体实验室领衔，哈佛、耶鲁、马普所等院所和微软、谷歌、脸书等公司的多位研究者参与的课题组，近日在 Nature 发表了一篇以 “Machine behaviour” 为题的综述文章，宣告 “机器行为学” 这门跨越多个研究领域的新兴学科正式诞生。人工智能正在成为人类社会的重要组成部分，大量人机伦理问题正在被提出和解决，科学家们正在像研究人类和动物行为那样，深入研究机器和机器群体的宏观行为规律。由麻省理工学院媒体实验室研究人员领衔，哈佛、耶鲁、马普所等院所和微软、谷歌、脸书等公司的多位研究者参与的课题组，近日在 Nature 发表了一篇以 “Machine behaviour” 为题的综述文章，宣告 “机器行为学” 这门跨越多个研究领域的新兴学科正式诞生。本文约 12000 字。目录一、 研究机器行为的动机二、 机器行为学的跨学科研究三、 研究对象与研究问题四、 三种研究范围：个体、群集与人机交互五、 展望：机器行为学将如何发展？由人工智能驱动的机器正不断塑造着我们与媒体、社会、文化、经济、政治的互动。了解人工智能系统的行为是应用时扬长避短的基础，因此有必要把机器行为学（Machine behaviour）的研究范围从计算机学科扩大，融合各个学科的见解。本文首先总览了一系列关于机器行为学这个新兴学科的基础问题，随后探索了在这个学科上技术、法律和制度带来的研究限制。诺贝尔奖得主 Herbert Simon 在 1969 年发表了一本人工智能发展史上里程碑式的著作 ——《人工科学》（ The Sciences of the Artificial），其中他写到：“自然科学是关于自然物体与现象的知识。我们想知道是不是有一种‘人工’科学，研究人造物和它们的现象。”人工智能先驱 Herbert Simon 及其著作 The Sciences of the Artificial和 Simon 的思想一致，我们这样描述一个新兴的交叉学科：这个学科研究智能机器，但是并不是从工程机器的角度去理解它们，而是将其视为一系列有自己行为模式及生态反应的个体。这个领域与计算机和机器人学科有关联性，但是又相互独立。从经验的角度去解释智能机器的行为，类似于结合了生命内部特质（生理和生化特质）与外部环境塑造的特质（生态与进化）的行为生态学和动物行为学研究。要想完整研究动物的行为和人类的行为，周围的环境背景必须也被考虑进去。相似的，要想完全了解机器的行为，我们也得考虑算法以及算法所在的社会环境。现在，研究这些虚拟的或者嵌入式的人工智能体（artificial intelligence (AI) agents）的行为的科学家基本上是那批创造它们的人本身。当科学家创造这些智能体来解决他们的问题时，他们通常会致力于保证这些算法能满足他们需要的功能。从始至终，我们用人工智能体（AI agents）这个术语来描述用于决策或繁或简的算法。例如，在分类、面部识别、视觉识别领域的智能体，应当满足一个标准的精度要求。自动驾驶车应当在一系列设定的天气情况下都能成功导航。玩游戏的智能体应当能够击败一系列设定的人类和机器对手。数据挖掘智能体应当能够了解应该在推广竞选和社交媒体中该锁定哪几个目标。这些例子只是相关领域的一小部分。这些人工智能体正在各个方面扩展人类的福利，但是现在关于人工智能体行为的更广泛的考虑让问题多出几分批判性的思考。人工智能将会越来越多的融入我们的社会中。它们已经被应用在诸如信用评估、算法交易、地方治安、假释决定、自动驾驶、在线约会、无人机战争中了。认知系统工程、人机交互、人类因素、科学、技术、社会、安全工程等不同领域来的学者和思想家探讨人工智能体那些超出创造者预期的，既包括正面也包括负面的预测行为及后续后果，为我们敲响了警钟。除了缺乏围绕 AI 可能带来影响的预期，结合不断增加的机器替代原本直接由人类承担的工作的现状，因缺乏人类监管而造成的潜在危害是另一个令专家们惧怕的事情。同时，研究者也称人工智能体可以通过帮助和增强人类决策能力的方式扩大社会福利。虽然关于这些事情的讨论导致在不同的领域产生了新见解，在自治系统（autonomous systems）等上仍有很多安全性方面的挑战，比如公平性、义务、透明性等方面。ACM 公平、义务与透明性专题会议：https://fatconference.org/这篇综述将介绍这一新兴交叉学科：机器行为学（Machine behaviour），主要研究智能机器所表现出的行为。在这里，我们给出关键研究主题、问题和里程碑研究的大纲作为此门学科的例证。我们首先给出了机器行为学和这门学科必然具有的交叉学科特质，然后我们提供了研究这门学科的概念化框架。我们用加大机器与人 - 机生态学科研究的呼吁与学科的技术、法律、机构上的研究障碍的讨论来结束这篇综述。机器行为学来自多个学科的交叉、融合一、 研究机器行为学的动机机器行为学的研究动机有三：首先，很多在我们的生活中被运行的算法正起到越来越重要的角色；其次，因为不光是这些算法，还有算法运行的环境的复杂特质，光依靠分析手段是很难了解它们的行为的；另外，智能算法的广泛存在和复杂性给预测算法对人类潜在的或正或负的影响带来了挑战。无处不在的算法如今，多种多样算法正在社会中前所未有得的广泛应用；新闻排名算法和社交媒体机器人影响人民所听所看的信息。信评分算法会影响银行贷决策。在线定价算法给不同的用户定价，算法交易软件使得交易变得迅速。算法塑造了警务调度的派遣和空间格局，算法审判会影响刑事系统中犯人的服刑时间。自动驾驶车穿越我们的城市，共享交通算法会改变传统车辆的行驶模式。机器绘制家中的地图，对口头命令做出反应，执行常规的家务。在线约会服务中，算法负责促成浪漫的相会。机器有可能更多得替代人类承担起照顾老人和小孩的工作。自治体正影响着我们的集体行为（collective behaviours），从群体层面的配合行为到共享行为。延伸一下，虽然发展自动武器是高度限制的，但不是所有人都不都这么想，如果这类武器被发明了，机器将在战争中决定人的生死。在线约会服务中，算法匹配人的连接算法的复杂性和不透明性即便个别算法是相对简单的，研究像人工智能系统这样多样且广泛的对象的行为是件难以想象的困难事情。输出难以解释目前，单个人工智能体的复杂性已经很高，并且在持续增长，虽然构架它们的代码和训练模型用的训练可以简洁，但是训练后的模型就完全不会有这么简单了，这经常导致 “黑箱（black boxes）” 的产生。人工智能体接受输入，然后输出，但是即便在 “可解释性（interpretability）” 上的一些应用场景已经有了进展的现状下，人工智能体实际产生这些输出的过程是架构它们的科学家自己也难解释的。数据集的收集与版权限制此外，当系统从数据中学习，它们的失败通常被归结为数据本身或者数据收集上的谬误，导致一些关于改进数据收集机制的讨论。数据集的维度和数据量这一层面也增加了我们理解人工智能的难度。更进一步使得这个问题棘手的现实是，很多在社会中使用频率最高的源代码、模型、数据集实际上是有版权的。为智慧资产而存在的工业保密政策和法律保护着这些源代码和模型。在很多场景下，公众只能观察到 AI 系统的输入和输出。就算这些代码和模型对我们开源，我们也不太可能就由此能准确预测出这些模型的输出。人工智能体在和周围环境与其他智能单元相互作用的时候可以表现得很 “特立独行”。即便形成它的数学函数是存在解析解的，那这个解析解也会因为冗长复杂的结构而难解其意。原论文图 1算法于人类的利弊无处不在的，日益复杂的算法，它们放大了人类估计和预测它们对个人和社会影响的难度。人工智能体正以意料之中和之外的方式塑造人类的行为和社会结果。造福还是 “造乱”？这是个问题如一些人工智能体被设计用来帮助孩子们，或是帮助老年人安全移动来造福人类。然而，如果这种用来造福人类的力量在” 意料之外的情况下 “偏离了初衷，就会出现类似孩子们被植入广告买特定产品，老年人被固定只能选择特定的电视节目等类似的情况。此类算法对个体的正负面影响可以扩大到社会层面，这种危机感一直萦绕在我们心头。举个例子，不小心传播给一小部分人的政治误报可能在整个社会层面上掀不起什么风浪，但是，这些信息在社交媒体上的植入和扩张则会产生更恶劣的社会后果。更进一步说，关于算法公平性或偏见性问题已经在很多场景，例如计算机视觉、词嵌入、广告、监管、刑事审判和社会服务中存在了。在不断复杂化的人 - 机混合系统的背景下，人类只能自负盈亏为了应对这些问题，从业者有时候被迫做出各种偏见之间的取舍，或者，人类和机器之间的取舍。更多关于算法效果的问题仍然存在，例如网恋算法会如何影响婚姻制度，或者人类和智能算法之间的相互作用是否会系统性的影响人类发展的进程。这些问题在不断复杂化的人类 - 机器混合系统的背景下变得越发难解。为了社会能够监管 AI 可能造成的后续后果，机器行为学家必须提供见解来帮我们理解社会中无处不在的这些系统如何工作，以及代价如何取舍。人 - 机混合系统趋于复杂，算法设计需要机器行为学的指导二、 机器行为学的跨学科研究为了研究机器在现实环境中的行为，特别是 “黑箱” 算法的行为，我们必须整合跨越其他学科的知识和见解。这种整合现在正处于一种不成熟的阶段，现在很多在一种特定方式研究。原论文图 2跨学科研究，使算法性能最大化最近，研究机器行为学的科学家们大多是最初设计这些机器的计算机科学家，机器人学家和工程师。这些科学家可以是熟练的数学家和工程师，但是他们基本上没有行为学上的训练。他们很少接触实验方面的方法论，基于群体的抽样训练，或者基于观察的因果推理，更不用说神经科学、集体行为学或者社会理论了。相反的，即使行为学家更多的在这些方面有建树，但是他们很少掌握对于衡量某个领域中人工智能质量和正当性，或者特定算法所必要的专业知识。整合从各行各业来的科学家不是一件容易的事情。到目前为止，那些创建人工智能系统的人的主要关注点一直是构建、实现和优化智能系统，以执行特定的任务。在很多基准任务上，智能体取得了出色的进展，比如棋盘游戏中的西洋棋、国际象棋、围棋，纸牌游戏比如 poker，电子游戏比如雅达利平台上的（美国游戏制造商），人工智能市场游戏，机器人足球，当然还有基准评价用数据比如 ImageNet 上用于物体识别的数据和 Microsoft Common Objects in Context 为图像标注的数据库。在语音识别，翻译和自动驾驶车等方面的成就也存在。AlphaGo 及其后续改进版接连战胜顶尖棋手，被认为是人工智能算法性能提升的里程碑事件这些测试基准可以作为一些标准化了的任务评价标准，也能用来提升性能，这是用一个代理式的评价标准来帮助 AI 设计者去设计更快、更稳健的算法。机器行为学推崇的评价指标但是，希望算法性能最大化的方法对于人工智能体的研究来讲并不是最佳的。比起利用基准数据集做评价算法性能上的优化，机器行为学家对一系列指标更感兴趣。这就像是社会学家的探索 —— 在社会，政治背景下探索人类行为；定义宏观或微观社会结果的评价来回答例如算法在不同的环境下如何行动，人类和算法的互动会不会影响社会结果之类的问题。随机实验、观察推断和基于群体的统计学描述方法是经常性用在定量行为学研究中的，对于机器行为学来讲极其重要。从制造智能机器的学科延伸整合其他学科的学者可以提供重要方法性工具、研究工具、多种可选的概念性框架，和人工智能体对经济、社会和政治可能造成影响。三、 研究问题和研究对象因创立了动物行为学而获得诺贝尔生理或医学奖的 Nikolaas Tinbergen 指出了四个维度上的行为学分析，帮助解释了动物行为。这些维度讨论一个行为的功能、原理、发展与进化史，提供了一个有组织的框架来研究动物和人类的行为。这个概念化的框架把年轻动物或人类某项行为的发展和群体中这个行为的进化轨迹分开进行研究。这种区分的目的不是为了更好理解我们研究对象的全部。例如，虽然我们通过鸟学习鸣叫或者通过鸟叫的进化都可以来解释一个鸟歌声为什么形成，但是要完全了解鸟叫的全貌，两方面我们都要考虑。虽然机器和动物有着物理本质上的区别，对智慧机器行为研究可以从动物行为的研究上得到帮助。机器有产生行为的内在机制，这些行为在和环境的互动获得信息，得到发展。产生了功能，导致特定的机器变得或多或少出现在它们所对应的环境中，并且它们贯穿过去环境的进化史和人类的决策正不断影响着机器的行为。计算机科学的学者在研究 AI 系统的机理和发展方面已经取得了潜在的收益，即便很多问题仍然存在。AI 系统的功能和进化相对较少受到重视。我们将在讨论这四个主题，并提供图 3 作总结。原论文图 3：计算机科学的学者在研究 AI 系统的机理和发展方面已经取得了潜在的收益，即便很多问题仍然存在。AI 系统的功能和进化相对较少受到重视。行为产生的机理机器行为的最主要的成因应与它的激发条件和它产生的环境有关。例如早期的算法交易软件用简单的规则来激发买卖行为。更复杂的人工智能体可能依赖适应性启发算法或者在特定用途中明确的优化方式。玩纸牌的强化学习算法的行为可以归因于它表示状态空间或者计算游戏树特定的方式。机制由算法和环境共同决定，更复杂的人工智能体例如无人驾驶汽车可能表现出特定的驾驶行为。比如变道、超车、对行人发出信号。这些行为会依据构建起驾驶政策的算法而产生，并且也会从根本上被车的本身的感知和行动系统所改造。包括汽车识别物体的精度和分辨率，分类系统，驾驶的反应能力和精度。因为很多现有的 AI 系统源于使用日益复杂的数据的机器学习手段，研究机器行为背后的机制，如上文所述，将需要继续研究机器学习的可解释性方法。深度学习至今仍是未被打开的黑箱行为的发展在动物行为的研究中，发育指的是个体如何获得特定行为，比如通过模仿或者由于环境条件导致。这区别于长期的、进化性的变化。在机器的背景下，我们想问的是：机器是如何决定个体或者集群的行为的？行为的发展可以直接由于人类工程工作或设计。编程者做出的架构上设计决策（比如学习率参数的值，知识和状态的获取，或卷积神经网络的特定连接方式）确定或影响算法会表现出的行为。机器可能因工程师将其置于特定的训练环境下而塑造特定行为。例如，很多图像和文档分类算法用人手工标记过的数据库作为训练数据来提升算法精度。数据库的选取和它们所包含的特征可以潜在影响这些算法的行为。最后，机器可能会在自己的经验中习得某些行为。例如，一个被训练来优化长期利润的强化学习人工智能体可以因为过去自己的一些行动和市场随后的反馈学到特定的，短线交易策略。同样，商品推荐算法可以根据用户无尽的选择来推荐产品，也能实时更新。功能与适应在动物行为学的研究中，适应值（adaptive value）描述了一个行为能多大程度贡献一个个体生存和留下后代的能力。例如，一个特别的狩猎行为可以或多或少增加狩猎成功度，那么这个行为就可以延长这个生物的生命长度和子代数量，然后它的子代也可能继承它的这种功能。对功能的关注能帮助我们理解为什么一些行为的机制就能发扬光大，但是另外一些随着时间推进渐渐衰弱并消失。功能之所以存在，强烈依赖于行为本身适应环境。在机器的的例子里，我们可以讨论这种行为如何为特定的利益相关群体提供服务。人类环境创造了选择压力，这可能使一些有适应性的智能体变得普遍。成功的（提高适应性）行为获得增值的机会，如被其他类型的软件或者硬件复制走，或者它们本身自己就可以增殖。这背后的根本推动力是一些使用和构架人工智能的机构的成功，如企业、医院、政府和大学。最明显的例子是算法交易，在算法交易中，成功的自动交易策略可以在开发人员从一家公司跳槽到另一家公司时被复制，也可以简单讲，被竞争对手观察和反向架构。这种动力，可以产生出人意料的效果。例如，像最大化社交媒体网站参与度的这样的目标可能会导致信息茧房（filter bubbles），它可能会加剧政治两极分化，又或者在缺少监管的条件下，可能会助长假新闻的扩散。过度使用社交媒体会让我们陷入信息茧房但是，那些没有针对用户参与进行优化的网站也许会比做了这方面工作的网站冷清，或者可能完全停止运营。 同样，在没有外部监管的情况下，不优先考虑自己携带乘客安全的自动驾驶汽车对消费者的吸引力可能较小，导致销量降低。有时机器的某些行为背后的功能是为了应对其他机器的行为。 对抗性攻击，用假输入信息愚弄 AI 系统产生一个不需要的输出。在 AI 系统和被设计用来抵抗这些潜在攻击的反馈中，这些攻击会导致复杂的捕食者 - 食物动力学。这个过程很难仅依赖单独研究机器本身而被理解。这些例子强调了外部组织机构和经济力量所能产生的直接且大量对于机器行为的刺激。理解这些外界刺激和 AI 之间的互动对我们研究机器行为是有关的。反过来，外界的这些市场动态又会与其他过程相互作用，让机器和算法产生进化。进化在研究动物行为的过程中系统发生学描述了一个行为是怎么进化的。在现有功能的基础上，行为是被过去的选择压力所影响的，进化的机制。早期进化机制影响深远例如人类手是由硬骨鱼的鱼鳍所进化而来的。它现如今的功能已经不是为游泳而存在的了，但是它的内部结构能解释发生在它身上的进化史。非选择压力的作用，比如种群的迁移或者遗传漂变也很重要，它们能解释各种不同形式行为之间的关系。在机器的情况下，进化历史也可以产生路径依赖（path dependence），解释其他令人费解的行为。在进化的每一阶段中，算法从各个角度在在新的环境中被重新使用，它可以成为未来可能行为的局限，又使得在这个基础上的其他创新成为可能。例如，微处理器设计的早期设计继续影响现代计算机，并且算法设计中的传统，例如神经网络和贝叶斯状态空间模型，构建了许多假设并通过使一些新的算法相对更容易使用来指导未来的算法革新。因此，某些算法可能会关注某些功能而忽略其他功能，因为这些功能在早期某些程序的成功中至关重要。计算机一直在持续进化机器进化的特殊性一些机器行为可能会广泛传播，因为它是 “可进化的” —— 容易修改并且相对扰动信息很稳健，类似于动物的某些特征可能是广泛存在于各种动物中的，因为这些特征促进了多样性和稳定性。机器行为的进化与动物行为的进化不同，大多数动物的遗传是简单的，两个双亲一次性决定子代。算法要灵活得多，而且它们背后通常有一个带着目的设计者。人类环境通过改变算法的继承体系，强烈地影响着算法的进化过程。AI 复制行为可能被开源软件、网络架构的细节和潜在的训练数据集所促进。例如，为无人驾驶汽车开发软件的公司可能会共享用于目标检测或路径规划，增强后的开源数据库，以及作为这些算法的训练数据集，目的是使增强安全性的软件能够在整个行业推广。通过软件更新，一辆特定的无人驾驶汽车行为中的一个适应性的 “突变” 就有可能立刻传播到数百万其他汽车上。然而，其他机构也会做出限制。例如，软件专利可能会对特定机器行为的复制加以限制。法规限制，比如隐私保护法，可能会阻止机器在决策过程中访问、保存或以其他方式使用隐私相关的信息。这些案例说明机器可能呈现出非常不同的进化轨迹，因为它们不在有机体进化那一套机理的约束之下。四、 三种研究范围：个体、群集与人机交互通过上文和图 3 中所概述的框架，我们现在在三个调查范围内对机器行为的示例进行编目：个体机器、集群、和嵌入处在混合或异构系统的人类社交环境中的机器群组（ 图 4）。 原论文图 4个体机器行为强调算法本身的研究，集体机器行为强调研究机器之间的相互作用，混合人机行为强调研究机器与人类之间的相互作用。 在这里，我们可以类推为对特定物种的研究，研究物种成员之间的相互作用以及物种与更宽泛环境之间的相互作用。 上述三种分析可以解决图 3 中描述的几乎所有问题。个体机器行为对个体机器行为的研究主要集中在特定的智能机器上。这些研究通常侧重于个体机器固有的属性，并且由其源代码或设计驱动。机器学习和软件工程领域目前主要进行这些研究。研究个体机器行为有两种通用方法：第一个侧重于使用机器内（within-machine behaviour）方法分析任一特定机器的行为集，比较特定机器在不同条件下的行为。第二种是机器间方法（between-machine approach），比较各种机器在相同条件下的不同行为。个体机器行为的机器内方法研究了诸如是否存在可以表征任一 AI 在各种环境中的机器内行为的常数，某一 AI 的行为如何随着时间的推移而不断发展，环境因素如何影响机器对特定行为的表征等问题。例如，如果训练特定的底层数据（图 3），算法可能仅表现出某些特定的行为。然后问题在于，当使用与训练数据有显著不同的评估数据时，在模拟决策中对累积概率进行评分的算法是否会出现出乎意料的表征。其他与机内行为特征相关的研究包括对个体机器人恢复行为的研究，算法的 “认知” 属性以及心理学技术在算法行为研究中的应用，以及对机器人特定特征的检查 —— 例如那些旨在影响人类用户的特征。研究单个机器行为的第二种方法探究相同行为在不同机器之间的表现差异。例如，那些对检查智能代理的广告行为感兴趣的人可以调查各种广告平台（及其底层算法），并跨平台进行实验的，以检查同一组广告输入的机器间效应。相同的方法可用于对跨平台的动态定价算法的研究。其他机器间的研究可能会探讨自动驾驶车辆在超车模式中使用的不同行为，或者搜索和救援无人机所展示的各种搜寻行为。群集机器行为相比于对单个机器行为的研究，集体机器行为的研究侧重于机器集群的交互和系统范围的行为。在某些情况下，在考虑集体层面之前，个别机器行为的含义可能没什么意义。欧椋鸟的集群行为机器群集研究大有用处对这些系统的一些调查受到了自然界中集群现象的启发，例如成群的昆虫，或以迁徙的鱼鸟为例的移动群体。例如，我们已经知道的动物群体表现出复杂环境特征的紧急感知和有效的共识决策。在这两种情况下，群体都表现出对环境的认识，这在个体层面是不存在的。诸如多智能体系统和计算博弈理论等领域提供了研究这一领域机器行为的有用例子。使用简单算法进行机器人之间的本地交互的机器人一旦聚合成大型集体，就会产生有趣的行为。例如，学者们已经研究了微型机器人的群体特性，这些特性结合成类似于生物制剂系统中发现的群体聚合现象。其他示例包括实验室（在生命游戏中）以及在真实场景中（如维基百科词条机器人中所见）的算法的集体行为；又如在通信智能机器之间出现的新算法语言，以及完全自主运输系统的动态特性。该领域的许多有趣问题仍有待研究。相关推文：Nature 封面突破性研究：新型仿生群体机器人问世新型仿生机器鱼：从个体仿生到群体智能Science Robotics：无人机的自组织飞行和集群智慧关于集体动物行为和集体机器行为的绝大多数工作都集中在简单智能体之间的交互是如何能够创建更高阶的结构和属性的。尽管这也很重要，但却忽略了这样一个事实：许多生物体，以及越来越多的 AI 智能体，都是具有可能无法简单地表征的行为或相互作用的复杂实体。揭示当相互作用的实体能够进行复杂的认知时出现的额外属性仍然是生物科学中的关键挑战，并且可能与机器行为的研究具有直接的相似性。例如，类似于动物，机器可能表现出 “社交学习”。这种社会学习不需要局限于机器向机器学习，我们也期望机器向人类学习，反之亦然，人类可以从机器的行为中学习。引入的反馈过程可能从根本上改变知识的积累方式，包括跨代，直接地影响人类和机器的 “文化”。机器群集的独特性为，以金融交易为例此外，人工 AI 系统不一定面临与生物相同的限制，机器的集群提供了全新的能力，例如即时性全球通信，就能够带来全新的集体行为模式。相关研究调研了机器集群的特性以及可能从这些复杂的相互作用系统中产生的出人意料的特性。例如，在金融交易环境中已经观察到一些非常有趣的算法集体行为。这些环境在很小的时间尺度上运行，因此算法交易者可以在任何人类交易者之前对事件和其他算法交易者做出效应。在某些条件下，高频能力交易会导致金融市场效率低下。除了前所未有的响应速度之外，机器学习的广泛使用，自主操作和大规模部署的能力都是促使我们相信机器集群的交易行为本质上与人类交易者不同的原因。此外，这些金融算法和交易系统必须在某些历史数据集上进行训练，并对有限的各类预见情景作出反应，从而导致了难以对设计中新出现和无法预见的情况作出反应的问题。 闪电崩盘是（交互）算法无意识后果的典型例子，引出算法的相互作用是否会产生更大的市场危机这一问题。混合人机行为人类越来越多地与机器互动。机器调节我们的社交互动，塑造我们所看到在线信息，并与我们建立足以改变我们社会系统的关系。由于它们的复杂性，这些混合人机系统构成了机器行为中技术上最困难但同时也是最重要的研究领域之一。机器塑造人类行为机器行为研究中最明显但至关重要的领域之一，是将智能机器引入社会系统的方式可以改变人类的信仰和行为。在向工业流程引入自动化，智能机器可以在改善现有问题的过程中产生新的社会问题。在此过程中出现了许多问题，例如用于在线约会的匹配算法是否会改变约会过程的分布结果，或者新闻过滤算法是否会改变公众意见的分布。研究算法中的小错误或使用的数据是否会累积而产生社会性影响，以及我们学校，医院和护理中心的智能机器人如何改变人类发展、生活质量或潜在地影响残疾人士的生活，至关重要。该领域的其他问题涉及到机器用更基本的方式改变社交结构的可能性。例如，政府可以在多大程度上以何种方式使用机器智能来改变民主的性质，政治责任和透明度，或公民参与度。其他问题还包括智能机器在多大程度上影响警务，监视和战争，以及机器人对选举结果的影响有多大以及有助于人类社会关系的人工智能系统能否实现集体行动。点击查看参考文章：别瞧不起僵尸粉：它们真能左右舆论！值得注意的是，该领域的研究还研究了人类如何将机器用作决策辅助工具，人类对使用算法的偏好和厌恶，以及人类机器产生或减少人类不适的程度。这方面的一个重要问题还有人类如何应对随着智能机器增加经济产品和服务的联合生产。了解如何通过将智能机器引入我们的生活中来改变人类系统是机器行为研究的重要组成部分。人类塑造机器行为智能机器可以改变人类行为，人类也可以创造，影响和塑造智能机器的行为。我们通过直接操作 AI 系统以及通过对这些系统进行主动训练和根据人类行为日常产生的数据的被动观察来塑造机器行为。选择使用哪种算法，为这些算法提供什么反馈以及在什么样的数据对它们进行训练目前也是人类的决策，而这可以直接改变机器行为。研究机器行为的一个重要组成部分是理解这些工程过程将如何改变 AI 的最终行为，无论训练数据是否导致机器的特定行为，是算法本身还是算法和数据的组合。图 3 中概述的框架表明，以上的每个问题都有补充答案。探讨如何改变工过程的参数可以改变智能机器的后续行为，因为它们和其他机器及人类的交互是从整体上理解机器行为的核心。人机协作行为尽管将研究分成人类塑造机器的方式会更方便，反之亦然，但大多数人工智能系统在与人类共存的复杂混合系统中起作用。对这些系统的研究具有重要意义的问题包括人机交互特征的行为，如合作、竞争和协调 。例如，人类偏见与 AI 结合会如何改变人类的情感或信仰，人类发展趋势与算法相结合会如何促进信息的传播，如何在大量无人驾驶汽车和人力驱动汽车的混合街道上改变交通模式，以及如何通过人与算法交易智能体之间的交互来改变交易模式，以及哪些因素可以促进人与机器之间的信任与合作。大量的人机协作系统已经应用于人类生产生活该领域的另一个主题涉及机器人和软件驱动的人力自动化。在这里，我们看到两种不同类型的人机交互：一种是机器可以提高人的效率，例如机器人和计算机辅助手术。另一种是机器可以取代人类，例如无人驾驶运输和包裹递送。这引出了一个新的疑问 —— 最终机器是否会在更长时间内进行迭代或增强，以及人机共同行为是否将因此而演变？上述例子强调，与混合人机行为相关的许多问题必须同时研究人类对机器行为的影响与机器对人类行为的影响之间的反馈循环。学者们已经开始研究标准实验室环境中的人机交互，观察到与简单机器人的交互可以增加人类协调性，机器人可以在与人类之间的合作相媲美的水平上直接与人类合作。然而，在人类越来越多地使用算法来做出决策且基于此来训练相同算法的情况下，我们迫切地需要进一步理解自然环境中的反馈回路。此外，在机器行为生态学领域的各种类型的问题中，对于特别强调人类的社会交往方式，可能会被智能机器所影响，我们需要关注这些混合系统的长期动态。五、 展望：机器行为学如何发展？要想最大限度地发挥人工智能对社会的潜在利益，我们就得了解机的行为。如果我们做出将人工智能体融入我们的生活这一有后果的选择，必须依仗我们了解它们对社会可能的影响。为了提供这种理解和预期，我们需要一个新的交叉学科研究研究领域：机器行为学。为了让这个领域顺利发展，我们有许多要考虑的因素。首先，研究机器行为并不意味着 AI 算法需要有独立的代理人，也不意味着算法应该对其行为承担道德责任。如果狗咬人，则狗的主人应当负责。尽管如此，动物行为模式的研究是有助于我们理解和预测这种 “脱轨” 行为的。机器在更大的社会技术框架中运行，其人类利益相关者本质上应对部署它们可能造成的任何损害负责。其次，一些人评论建议将人工智能系统作为个体研究，不用将重点放在对这些人工智能系统进行训练的基础数据上。实际上，解释任何行为都不能完全与训练或开发该人工智能体的环境数据分开；机器行为也不例外。但是，理解机器行为如何因环境输入的改变而变化就像理解生物体的行为根据它们存在的环境而变化一样重要。因此，机器行为学者应该专注于描述不同环境中的人工智能体的行为，就像行为科学家渴望在不同的人口统计和制度环境中描述政治行为一样。第三，机器行为和动物、人类的行为有本质不同，因此我们必须避免过度将机器拟人拟兽。即使借用现有的行为科学方法被证明对机器的研究有效，机器也可能表现出与生命具有的特质不同的，甚至是迥异的行为。此外，剖析和修改 AI 系统可是比修改有生命的系统容易多了。虽然两个体系存在相似之处，但 AI 系统的研究必然会与生命系统的研究有所区别。第四，对机器行为的研究将需要学科间的共同的努力，因为这些研究本身伴随跨学科合作所带来的挑战。应对这些挑战至关重要。大学、政府和资助机构可以在设计大规模，平等和可信的跨学科研究中起到重要作用。第五，针对机器行为的研究通常需要现实条件下的实验来研究人机交互。这些实验介入可能会全面改变系统的行为，可能对一般使用者产生不利影响。诸如此类的道德考虑需要谨慎的监督和标准化框架。最后，研究智能算法或机器人系统可能会给研究机器行为的研究人员带来法律和道德问题。算法的反向工程可能会违反某些平台的服务条款。例如，设置虚假角色或掩盖真实身份。如果研究损害其平台的声誉，那么利益相关的系统的创建者或维护者可能会使研究人员陷入法律责难。此外，尚不清楚违反服务条款是否会使研究人员受到民事或刑事处罚（例如美国的计算机欺诈和滥用法案），这可能会进一步阻碍这类研究。了解人工智能体的行为和性质，以及它们可能对人类系统产生的影响是至关重要的事情。社会发展可以从人工智能提供的效率扶持和决策增强中获益匪浅。与此同时，将 AI 直接 “植入” 日常生活中的潜在缺陷我们也不能视而不见，尽可能避免其副作用，否则研究机器行为学带来的好处可能会摇摇欲坠。机器行为学，是一门研究人工智能如何与人类共存的学科参考文献11. Simon, H. A. The Sciences of the Artifcial (MIT Press, Cambridge, 1969).Simon asks whether there can be a science of the ‘artifcial’ that procesknowledge about artifcial objects and phenomena.2. Milner, R. A modal characterisation of observable machine-behaviour. In Treesin Algebra and Programming, 6th Colloquium 25–34 (Springer, 1981).In this invited lecture, Robin Milner outlines the idea of studying machinebehaviour using formal logic.3. Thomaz, A. L. & Breazeal, C. Teachable robots: understanding human teachingbehavior to build more efective robot learners. Artif. Intell. 172, 716–737 (2008).4. Stone, P. et al. Artifcial Intelligence and Life in 2030. One Hundred Year Study onArtifcial Intelligence: Report of the 2015–2016 Study Panel https://ai100.stanford.e/2016-report (Stanford University, 2016).5. O’Neil, C. Weapons of Math Destruction: How Big Data Increases Inequality andThreatens Democracy (Broadway Books, 2016).This book articulates some of the risks posed by the uncritical use of algorithmsin society and provides motivation for the study of machine behaviour.6. Future of Life Institute. Autonomous weapons: an open letter from AI &robotics researchers. https://futureofife.org/open-letter-autonomousweapons/?cn-reloaded=1(2015).7. Dressel, J. & Farid, H. The accuracy, fairness, and limits of predictingrecidivism. Sci. Adv. 4, eaao5580 (2018).8. Binns, R. et al. ‘It’s recing a human being to a percentage’: perceptions ofjustice in algorithmic decisions. In Proc. 2018 CHI Conference on HumanFactors in Computing Systems 377 (ACM, 2018).9. Hudson, L., Owens, C. S. & Flannes, M. Drone warfare: blowback from the newAmerican way of war. Middle East Policy 18, 122–132 (2011).10. Kahneman, D., Rosenfeld, A. M., Gandhi, L. & Blaser, T. Noise: how to overcomethe high, hidden cost of inconsistent decision making. Harvard Business Reviewhttps://hbr.org/2016/10/noise (2016).11. Kleinberg, J., Lakkaraju, H., Leskovec, J., Ludwig, J. & Mullainathan, S. Humandecisions and machine predictions. Q. J. Econ. 133, 237–293 (2018).12. Crawford, K. et al. The AI Now report: The Social and Economic Implications ofArtifcial Intelligence Technologies in the Near-term. https://ainowinstitute.org/AI_Now_2016_Report.pdf (2016).13. Amodei, D. et al. Concrete problems in AI safety. Preprint at https://arxiv.org/abs/1606.06565 (2016).14. Bakshy, E., Messing, S. & Adamic, L. A. Exposure to ideologically diverse newsand opinion on Facebook. Science 348, 1130–1132 (2015).15. Bessi, A. & Ferrara, E. Social bots distort the 2016 U.S. Presidential electiononline discussion. First Monday 21, 11 (2016).16. Ferrara, E., Varol, O., Davis, C., Menczer, F. & Flammini, A. The rise of social bots.Commun. ACM 59, 96–104 (2016).17. Lazer, D. The rise of the social algorithm. Science 348, 1090–1091 (2015).18. Tufekci, Z. Engineering the public: big data, surveillance and computationalpolitics. First Monday 19, 7 (2014).19. Lee, T.-S. & Chen, I.-F. A two-stage hybrid credit scoring model using artifcialneural networks and multivariate adaptive regression splines. Expert Syst. Appl.28, 743–752 (2005).20. Roszbach, K. Bank lending policy, credit scoring, and the survival of loans.Rev. Econ. Stat. 86, 946–958 (2004).21. Huang, C.-L., Chen, M.-C. & Wang, C.-J. Credit scoring with a data miningapproach based on support vector machines. Expert Syst. Appl. 33, 847–856(2007).22. Tsai, C.-F. & Wu, J.-W. Using neural network ensembles for bankruptcyprediction and credit scoring. Expert Syst. Appl. 34, 2639–2649 (2008).23. Chen, L. & Wilson, C. Observing algorithmic marketplaces in-the-wild. SIGecomExch. 15, 34–39 (2017).24. Chen, L., Mislove, A. & Wilson, C. An empirical analysis of algorithmic pricingon Amazon marketplace. In Proc. 25th International Conference on World WideWeb 1339–1349 (International World Wide Web Conferences SteeringCommittee, 2016).25. Hannák, A. et al. Bias in Online freelance marketplaces: evidence fromTaskRabbit and Fiverr. In Proc. ACM Conference on Computer SupportedCooperative Work and Social Computing 1914–1933 (2017).26. Cartlidge, J., Szostek, C., De Luca, M. & Clif, D. Too fast too furious—fasterfnancial-market trading agents can give less efcient markets. In Proc. 4thInternational Conference on Agents and Artifcial Intelligence 126–135 (2012).27. Kearns, M., Kulesza, A. & Nevmyvaka, Y. Empirical limitations on highfrequency trading proftability. J. Trading 5, 50–62 (2010).28. Wellman, M. P. & Rajan, U. Ethical issues for autonomous trading agents. MindsMach. 27, 609–624 (2017).29. Farmer, J. D. & Skouras, S. An ecological perspective on the future of computertrading. Quant. Finance 13, 325–346 (2013).30. Perry, W. L., McInnis, B., Price, C. C., Smith, S. & Hollywood, J. S. PredictivePolicing: The Role of Crime Forecasting in Law Enforcement Operations (RAND,2013).31. Bonnefon, J.-F., Sharif, A. & Rahwan, I. The social dilemma of autonomousvehicles. Science 352, 1573–1576 (2016).32. Kooti, F. et al. Analyzing Uber’s ride-sharing economy. In Proc. 26thInternational Conference on World Wide Web 574–582 (International WorldWide Web Conferences Steering Committee, 2017).33. Zeng, X., Fapojuwo, A. O. & Davies, R. J. Design and performance evaluation ofvoice activated wireless home devices. IEEE Trans. Consum. Electron. 52,983–989 (2006).34. Hendriks, B., Meerbeek, B., Boess, S., Pauws, S. & Sonneveld, M. Robot vacuumcleaner personality and behavior. Int. J. Soc. Robot. 3, 187–195 (2011).35. Hitsch, G. J., Hortasu, A. & Ariely, D. Matching and sorting in online dating.Am. Econ. Rev. 100, 130–163 (2010).36. Finkel, E. J., Eastwick, P. W., Karney, B. R., Reis, H. T. & Sprecher, S. Onlinedating: a critical analysis from the perspective of psychological science.Psychol. Sci. Public Interest 13, 3–66 (2012).37. Park, H. W., Rosenberg-Kima, R., Rosenberg, M., Gordon, G. & Breazeal, C.Growing growth mindset with a social robot peer. In Proc. 2017 ACM/IEEEInternational Conference on Human–Robot Interaction 137–145 (ACM, 2017).38. Bemelmans, R., Gelderblom, G. J., Jonker, P. & de Witte, L. Socially assistiverobots in elderly care: a systematic review into efects and efectiveness. J. Am.Med. Dir. Assoc. 13, 114–120 (2012).39. Shirado, H. & Christakis, N. A. Locally noisy autonomous agents improve globalhuman coordination in network experiments. Nature 545, 370–374 (2017).In this human–machine hybrid study, the authors show that simplealgorithms injected into human gameplay can improve coordinationoutcomes among humans.40. Pichai, S. AI at Google: Our Principles. Google Blog https://blog.google/topics/ai/ai-principles/ (2018).41. Rof, H. M. The strategic robot problem: lethal autonomous weapons in war.J. Mil. Ethics 13, 211–227 (2014).42. Krishnan, A. Killer Robots: Legality and Ethicality of Autonomous Weapons(Routledge, 2016).43. Voosen, P. The AI detectives. Science 357, 22–27 (2017).44. Szegedy, C. et al. Intriguing properties of neural networks. Preprint at https://arxiv.org/abs/1312.6199 (2013).45. Zhang, Q.-S. & Zhu, S.-C. Visual interpretability for deep learning: a survey.Front. Inf. Technol. Electronic Eng. 19, 27–39 (2018).46. Doshi-Velez, F. & Kim, B. Towards a rigorous science of interpretable machinelearning. Preprint at https://arxiv.org/abs/1702.08608(2017).47. Gebru, T. et al. Datasheets for datasets. Preprint at https://arxiv.org/abs/1803.09010 (2018).48. Mitchell, M. et al. Model cards for model reporting. Preprint at https://arxiv.org/abs/1810.03993 (2018).49. Lakkaraju, H., Kamar, E., Caruana, R. & Horvitz, E. Identifying unknownunknowns in the open world: representations and policies for guidedexploration. In Proc. 31st Association for the Advancement of ArtifcialIntelligence Conference on Artifcial Intelligence 2 (2017).50. Johnson, N. et al. Abrupt rise of new machine ecology beyond humanresponse time. Sci. Rep. 3, 2627 (2013).51. Appel, K., Haken, W. & Koch, J. Every planar map is four colorable. Part II:recibility. Illinois J. Math. 21, 491–567 (1977)52. Appel, K. & Haken, W. Every planar map is four colorable. Part I: discharging.Illinois J. Math. 21, 429–490 (1977).53. Westlund, J. M. K., Park, H. W., Williams, R. & Breazeal, C. Measuring youngchildren’s long-term relationships with social robots. In Proc. 17th ACMConference on Interaction Design and Children 207–218 (ACM, 2018).54. Lorenz, T., Weiss, A. & Hirche, S. Synchrony and reciprocity: key mechanismsfor social companion robots in therapy and care. Int. J. Soc. Robot. 8, 125–143(2016).55. Vosoughi, S., Roy, D. & Aral, S. The spread of true and false news online.Science 359, 1146–1151 (2018).This study examines the complex hybrid ecology of bots and humans onTwitter and fnds that humans spread false information at higher ratesthan bots.56. Lazer, D. M. J. et al. The science of fake news. Science 359, 1094–1096 (2018).57. Roberts, M. E. Censored: Distraction and Diversion Inside China’s Great Firewall(Princeton Univ. Press, 2018).58. Corbett-Davies, S., Pierson, E., Feller, A., Goel, S. & Huq, A. Algorithmic decisionmaking and the cost of fairness. In Proc. 23rd ACM SIGKDD InternationalConference on Knowledge Discovery and Data Mining 797–806 (ACM, 2017).59. Kleinberg, J., Mullainathan, S. & Raghavan, M. Inherent trade-ofs in the fairdetermination of risk scores. Preprint at https://arxiv.org/abs/1609.05807(2016).60. Buolamwini, J. & Gebru, T. Gender shades: intersectional accuracy disparitiesin commercial gender classifcation. In Proc. 1st Conference on Fairness,Accountability and Transparency (eds Friedler, S. A. & Wilson, C.) 81, 77–91(PMLR, 2018).61. Bolukbasi, T., Chang, K.-W., Zou, J. Y., Saligrama, V. & Kalai, A. T. Man is tocomputer programmer as woman is to homemaker? Debiasing wordembeddings. In Proc. Advances in Neural Information Processing Systems4349–4357 (2016).62. Caliskan, A., Bryson, J. J. & Narayanan, A. Semantics derived automaticallyfrom language corpora contain human-like biases. Science 356, 183–186(2017).63. Sweeney, L. Discrimination in online ad delivery. Queueing Syst. 11, 10(2013).64. Ensign, D., Friedler, S. A., Neville, S., Scheidegger, C. & Venkatasubramanian, S.Runaway feedback loops in predictive policing. Preprint at https://arxiv.org/abs/1706.09847 (2017).65. Angwin, J., Larson, J., Mattu, S. & Kirchner, L. Machine bias. ProPublica https://www.propublica.org/article/machine-bias-risk-assessments-in-criminalsentencing(2016).66. Chouldechova, A., Benavides-Prado, D., Fialko, O. & Vaithianathan, R. A casestudy of algorithm-assisted decision making in child maltreatment hotlinescreening decisions. In Proc. 1st Conference on Fairness, Accountability andTransparency (eds Friedler, S. A. & Wilson, C.) 81, 134–148 (PMLR, 2018).67. Jennings, N. R. et al. Human–agent collectives. Commun. ACM 57, 80–88(2014).68. Campbell, M., Hoane, A. J. & Hsu, F.-H. Deep blue. Artif. Intell. 134, 57–83(2002).69. Schaefer, J. et al. Checkers is solved. Science 317, 1518–1522 (2007).70. Silver, D. et al. Mastering the game of Go with deep neural networks and treesearch. Nature 529, 484–489 (2016).71. Silver, D. et al. Mastering the game of Go without human knowledge. Nature550, 354–359 (2017).72. Bowling, M., Burch, N., Johanson, M. & Tammelin, O. Heads-up limit hold’empoker is solved. Science 347, 145–149 (2015).73. Bellemare, M. G., Naddaf, Y., Veness, J. & Bowling, M. The arcade learningenvironment: an evaluation platform for general agents. J. Artif. Intell. Res. 47,253–279 (2013).74. Wellman, M. P. et al. Designing the market game for a trading agentcompetition. IEEE Internet Comput. 5, 43–51 (2001).75. Kitano, H., Asada, M., Kuniyoshi, Y., Noda, I. & Osawa, E. RoboCup: the robotworld cup initiative. In Proc. 1st International Conference on Autonomous Agents340–347 (ACM, 1997).76. Russakovsky, O. et al. ImageNet large scale visual recognition challenge. Int. J.Comput. Vis. 115, 211–252 (2015).77. Lin, T.-Y. et al. Microsoft COCO: common objects in context. In Proc. EuropeanConference on Computer Vision (eds Fleet, D. et al.) 8693, 740–755 (SpringerInternational Publishing, 2014).78. Davis, J. & Goadrich, M. The relationship between precision–recall and ROCcurves. In Proc. 23rd International Conference on Machine Learning 233–240(ACM, 2006).79. van de Sande, K. E. A., Gevers, T. & Snoek, C. G. M. Evaluating color descriptorsfor object and scene recognition. IEEE Trans. Pattern Anal. Mach. Intell. 32,1582–1596 (2010).80. Papineni, K., Roukos, S., Ward, T. & Zhu, W.-J. BLEU: a method for automaticevaluation of machine translation. In Proc. 40th Annual Meeting on Associationfor Computational Linguistics 311–318 (Association for ComputationalLinguistics, 2002).81. Zhou, Z., Zhang, W. & Wang, J. Inception score, label smoothing, gradientvanishing and -log(D(x)) alternative. Preprint at https://arxiv.org/abs/1708.01729 (2017).82. Epstein, Z. et al. Closing the AI knowledge gap. Preprint at https://arxiv.org/abs/1803.07233 (2018).83. Tinbergen, N. On aims and methods of ethology. Ethology 20, 410–433 (1963).84. Nesse, R. M. Tinbergen’s four questions, organized: a response to Bateson andLaland. Trends Ecol. Evol. 28, 681–682 (2013).85. Das, R., Hanson, J. E., Kephart, J. O. & Tesauro, G. Agent–human interactions inthe continuous double auction. In Proc. 17th International Joint Conference onArtifcial Intelligence 1169–1178 (Lawrence Erlbaum, 2001).86. Deng, Y., Bao, F., Kong, Y., Ren, Z. & Dai, Q. Deep direct reinforcement learningfor fnancial signal representation and trading. IEEE Trans. Neural Netw. Learn.Syst. 28, 653–664 (2017).87. Galceran, E., Cunningham, A. G., Eustice, R. M. & Olson, E. Multipolicydecision-making for autonomous driving via changepoint-based behaviorprediction: theory and experiment. Auton. Robots 41, 1367–1382 (2017).88. Ribeiro, M. T., Singh, S. & Guestrin, C. Why should I trust you? Explaining thepredictions of any classifer. In Proc. 22nd ACM SIGKDD InternationalConference on Knowledge Discovery and Data Mining 1135–1144 (ACM, 2016).89. Smilkov, D., Thorat, N., Kim, B., Viégas, F. & Wattenberg, M. SmoothGrad:removing noise by adding noise. Preprint at https://arxiv.org/abs/1706.03825 (2017).90. Nevmyvaka, Y., Feng, Y. & Kearns, M. reinforcement learning for optimizedtrade execution. In Proc. 23rd International Conference on Machine Learning673–680 (ACM, 2006).91. Nguyen, T. T., Hui, P.-M., Harper, F. M., Terveen, L. & Konstan, J. A. Exploring theflter bubble: the efect of using recommender systems on content diversity. InProc. 23rd International Conference on World Wide Web 677–686 (ACM, 2014).92. Dalvi, N. & Domingos, P. Mausam, Sanghai, S. & Verma, D. Adversarialclassifcation. In Proc. Tenth ACM SIGKDD International Conference onKnowledge Discovery and Data Mining 99–108 (ACM, 2004).93. Globerson, A. & Roweis, S. Nightmare at test time: robust learning by featuredeletion. In Proc. 23rd International Conference on Machine Learning 353–360(ACM, 2006).94. Biggio, B. et al. Evasion attacks against machine learning at test time. In Proc.Joint European Conference on Machine Learning and Knowledge Discovery inDatabases 387–402 (Springer, 2013).95. Tramèr, F. et al. Ensemble adversarial training: attacks and defenses. Preprintat https://arxiv.org/abs/1705.07204(2017).96. Parkes, D. C. & Wellman, M. P. Economic reasoning and artifcial intelligence.Science 349, 267–272 (2015).97. Wagner, A. Robustness and Evolvability in Living Systems (Princeton Univ. Press,2013).98. Edwards, H. & Storkey, A. Censoring representations with an adversary.Preprint at https://arxiv.org/abs/1511.05897(2015).99. Zemel, R., Wu, Y., Swersky, K., Pitassi, T. & Dwork, C. learning fairrepresentations. In Proc. International Conference on Machine Learning325–333 (2013).100. Feldman, M., Friedler, S. A., Moeller, J., Scheidegger, C. & Venkatasubramanian,S. Certifying and removing disparate impact. In Proc. 21th ACM SIGKDDInternational Conference on Knowledge Discovery and Data Mining 259–268(ACM, 2015).101. Cully, A., Clune, J., Tarapore, D. & Mouret, J.-B. Robots that can adapt likeanimals. Nature 521, 503–507 (2015).This study characterizes a robot driven by an adaptive algorithm that mimicsthe adaptation and behaviours of animals.102. Bongard, J., Zykov, V. & Lipson, H. Resilient machines through continuousself-modeling. Science 314, 1118–1121 (2006).103. Leibo, J. Z. et al. Psychlab: a psychology laboratory for deep reinforcementlearning agents. Preprint at https://arxiv.org/abs/1801.08116(2018).In this study, the authors use behavioural tools from the life sciences in thestudy of machine behaviours.104. Subrahmanian, V. S. et al. The DARPA Twitter bot challenge. Preprint athttps://arxiv.org/abs/1601.05140(2016).105. Carrascosa, J. M., Mikians, J., Cuevas, R., Erramilli, V. & Laoutaris, N. I. Alwaysfeel like somebody’s watching me: measuring online behavioural advertising.In Proc. 11th ACM Conference on Emerging Networking Experiments andTechnologies 13 (ACM, 2015).106. Datta, A., Tschantz, M. C. & Datta, A. Automated Experiments on Ad PrivacySettings. Proc. Privacy Enhancing Technologies 2015, 92–112 (2015).107. Giusti, A. et al. A machine learning approach to visual perception of forest trailsfor mobile robots. IEEE Robot. Autom. Lett. 1, 661–667 (2016).108. Berdahl, A., Torney, C. J., Ioannou, C. C., Faria, J. J. & Couzin, I. D. Emergentsensing of complex environments by mobile animal groups. Science 339,574–576 (2013).109. Couzin, I. D. et al. Uninformed indivials promote democratic consensus inanimal groups. Science 334, 1578–1580 (2011).110. Rubenstein, M., Cornejo, A. & Nagpal, R. Programmable self-assembly in athousand-robot swarm. Science 345, 795–799 (2014).111. Kernbach, S., Thenius, R., Kernbach, O. & Schmickl, T. Re-embodiment ofhoneybee aggregation behavior in an artifcial micro-robotic system. Adapt.Behav. 17, 237–259 (2009).112. Bak, P., Chen, K. & Creutz, M. Self-organized criticality in the ‘Game of Life’.Nature 342, 780–782 (1989).113. Tsvetkova, M., García-Gavilanes, R., Floridi, L. & Yasseri, T. Even good bots fght:the case of Wikipedia. PLoS ONE 12, e0171774 (2017).114. Lazaridou, A., Peysakhovich, A. & Baroni, M. Multi-agent cooperation and theemergence of (natural) language. Preprint at https://arxiv.org/abs/1612.07182 (2016).115. Budish, E., Cramton, P. & Shim, J. The high-frequency trading arms race:frequent batch auctions as a market design response. Q. J. Econ. 130,1547–1621 (2015).116. Kirilenko, A. A. & Lo, A. W. Moore’s law versus Murphy’s law: algorithmictrading and its discontents. J. Econ. Perspect. 27, 51–72 (2013).117. Menkveld, A. J. The economics of high-frequency trading: taking stock. Annu.Rev. Financ. Econ. 8, 1–24 (2016).118. Mnsted, B., Sapieyński, P., Ferrara, E. & Lehmann, S. Evidence of complexcontagion of information in social media: an experiment using Twitter bots.PLoS ONE 12, e0184148 (2017).This study presents an experimental intervention on Twitter using bots andprovides evidence that information difusion is most accurately described bycomplex contagion.119. Bainbridge, L. Ironies of automation. Automatica 19, 775–779 (1983).120. Jeong, S., Breazeal, C., Logan, D. & Weinstock, P. Huggable: the impact ofembodiment on promoting socio-emotional interactions for young pediatricinpatients. In Proc. 2018 CHI Conference on Human Factors in ComputingSystems 495 (ACM, 2018).121. Kory Westlund, J. M. et al. Flat vs. expressive storytelling: young children’slearning and retention of a social robot’s narrative. Front. Hum. Neurosci. 11,295 (2017).122. Salisbury, E., Kamar, E. & Morris, M. R. Toward scalable social alt text:conversational crowdsourcing as a tool for refning vision-to-languagetechnology for the blind. Proc. 5th AAAI Conference on Human Computation andCrowdsourcing (2017).123. Awad, E. et al. The Moral Machine experiment. Nature 563, 59–64 (2018).124. Dietvorst, B. J., Simmons, J. P. & Massey, C. Algorithm aversion: peopleerroneously avoid algorithms after seeing them err. J. Exp. Psychol. Gen. 144,114–126 (2015).125. Gray, K. & Wegner, D. M. Feeling robots and human zombies: mind perceptionand the uncanny valley. Cognition 125, 125–130 (2012).126. Brynjolfsson, E. & Mitchell, T. What can machine learning do? Workforceimplications. Science 358, 1530–1534 (2017).127. Christiano, P. F. et al. Deep reinforcement learning from human preferences. InProc. Advances in Neural Information Processing Systems 30 (eds Guyon, I. etal.) 4299–4307 (Curran Associates, 2017).128. Tsvetkova, M. et al. Understanding human–machine networks: a crossdisciplinary survey. ACM Comput. Surv. 50, 12:1–12:35 (2017).129. Hilbert, M., Ahmed, S., Cho, J., Liu, B. & Luu, J. Communicating withalgorithms: a transfer entropy analysis of emotions-based escapes fromonline echo chambers. Commun. Methods Meas. 12, 260–275 (2018).130. Kramer, A. D. I., Guillory, J. E. & Hancock, J. T. Experimental evidence ofmassive-scale emotional contagion through social networks. Proc. Natl Acad.Sci. USA 111, 8788–8790 (2014).131. Kamar, E., Hacker, S. & Horvitz, E. Combining human and machine intelligencein large-scale crowdsourcing. in Proc. 11th International Conference onAutonomous Agents and Multiagent Systems 467–474 (InternationalFoundation for Autonomous Agents and Multiagent Systems, 2012).132. Jackson, M. The Human Network: How Your Social Position Determines YourPower, Beliefs, and Behaviors (Knopf Doubleday, 2019).133. Crandall, J. W. et al. Cooperating with machines. Nat. Commun. 9, 233 (2018).This study examines algorithmic cooperation with humans and provides anexample of methods that can be used to study the behaviour of human–machine hybrid systems.134. Wang, D., Khosla, A., Gargeya, R., Irshad, H. & Beck, A. H. Deep learning foridentifying metastatic breast cancer. Preprint at https://arxiv.org/abs/1606.05718 (2016).135. Pentland, A. Social Physics: How Social Networks Can Make Us Smarter(Penguin, 2015).136. Lazer, D. et al. Computational social science. Science 323, 721–723 (2009).137. Aharony, N., Pan, W., Ip, C., Khayal, I. & Pentland, A. Social fMRI: investigatingand shaping social mechanisms in the real world. Pervasive Mobile Comput. 7,643–659 (2011).138. Ledford, H. How to solve the world’s biggest problems. Nature 525, 308–311(2015).139. Bromham, L., Dinnage, R. & Hua, X. Interdisciplinary research has consistentlylower funding success. Nature 534, 684–687 (2016).140. Kleinberg, J. & Oren, S. Mechanisms for (mis)allocating scientifc credit.In Proc. 43rd Annual ACM Symposium on Theory of Computing 529–538(ACM, 2011).141. Kannel, W. B. & McGee, D. L. Diabetes and cardiovascular disease. TheFramingham study. J. Am. Med. Assoc. 241, 2035–2038 (1979).142. Kraft, P. M., Macy, M. & Pentland, A. Bots as virtual confederates: design andethics. In Proc. 2017 ACM Conference on Computer Supported Cooperative Workand Social Computing 183–190 (ACM, 2017).143. Meyer, M. N. Two cheers for corporate experimentation: The A/B illusionand the virtues of data-driven innovation. Colorado Technol. Law J. 13, 273(2015).144. Xing, X. et al. Take this personally: pollution attacks on personalized services.In Proc. 22nd USENIX Security Symposium 671–686 (2013).145. Patel, K. Testing the limits of the First Amendment: how a CFAA prohibition ononline antidiscrimination testing infringes on protected speech activity.Columbia Law Rev. https://doi.org/10.2139/ssrn.3046847(2017).1本文经授权转载自集智俱乐部，ID: swarma_org翻译：惠惠、陈曦审校：郭瑞东编辑：王怡蔺原文地址：https://www.nature.com/articles/s41586-019-1138-y#Abs1

　　1.2.1消费者行为学的研究任务　　消费者行为研究通常是在宏观和微观两个层次上进行。在宏观层面上，消费者行为与消费生活方式概念相联系，通常是对消费者人口统计特征及消费行为特征的描述，这类研究更多的是描述性研究；在微观层面上，消费者行为通常与消费者认知、态度、购买意向以及决策过程等具体购买行为相联系，倾向于对消费者在具体的信息沟通、购买决策、产品使用、品牌态度等方面的行为进行解释和说明，大多属于解释性研究。　　从研究任务上看，则有以下三个层次。　　揭示和描述消费者行为的表现，即通过科学的方法发现和证实消费者存在哪些行为，这个任务也就是观察现象、描述事实，所谓“知其然”。　　揭示消费者行为的规律性，即说明消费者某种消费行为产生的原因，所谓“知其所以然”。把已观察到的已知事实组织起来、联系起来，提出一定的假说去说明这些事实发生的原因及其相互关系。　　预测和引导消费者行为。消费者行为学是为市场营销活动服务的，重要的是如何根据消费行为规律，提出相应的市场营销策略与方法，去影响消费者，促进消费行为的发生。所以，在了解消费者行为规律的基础上，企业还必须通过科学的预测，发现消费者的潜在需求，并设计符合他们需求的新产品和营销方法，从而创造和刺激消费需要，引导消费者产生企业所期望的消费行为。　　1.2.2消费者行为学的研究内容　　消费者的消费行为不仅直接受消费者个人心理因素的制约，还受到各种错综复杂的社会因素（如制度、政策、家庭、社会阶层）、经济因素（如收入、利率）、文化因素（如价值观念、宗教风俗）、科技因素（如电子商务）、自然因素（如地域条件、自然环境、资源状况）、商品因素（如品牌、质量）、个人因素（如年龄、职业、所得、生活形态）、市场营销因素（如销售服务、营销措施）的影响。因而，消费者行为学就还要研究这些影响因素与消费者行为的关系。只有这样，才能全面、准确地揭示和了解消费者行为的全貌，掌握其变化规律，从而才能有针对性地采取正确的市场营销策略。按照认知心理学的观点，消费者的消费行为可分为外部输入、内部加工和行为输出这三个既独立又密切相关的阶段。　　消费者行为学的基本框架　　具体地说，消费者行为学要研究以下几个方面的问题。　　3.研究影响消费者消费行为的心理活动基础　　消费者行为学并不只是研究消费者外在的行为过程，即所谓“刺激（S）一反应（R）”之间的规律性，还应当研究起着直接支配作用的内在的心理活动过程。只有这样，才可能做到“知其然，并知其所以然”。从人的行为发生的过程来看，内隐的心理过程与外显的行为过程实际是一个连续的过程，难以明确划分。行为不仅指人们可以直接观察的外显活动，而且包括了情感、态度、思维等虽不能被直接观察但却能够为现代科学间接测量的内隐过程。　　消费心理是消费者在消费活动中所发生的各种心理现象的总称，主要包括消费者心理活动过程和个性心理两个方面。这些因素不仅影响和在某种程度上决定消费者的决策行为，而且它们对外部环境与营销刺激的影响起放大或抑制作用。研究消费者心理活动过程（包括认识过程、情感过程、意志过程三个方面）的一般规律，以及消费者在需要、动机、态度、兴趣、习惯、能力、性格、气质、自我概念与生活方式等方面的基本特点或发展规律，有助于我们认识支配消费者购买行为的各种内部原因，并有助于我们掌握消费者购买活动的一般规律。　　案例链接：越贵越买　　一对外国大使夫妇在我国一家商店选购首饰时，太太对一只8万元的翡翠戒指很感兴趣，两只眼睛看过来看过去，一双手拿着摸了一遍又一遍，但因价格昂贵而犹豫不决。这时一个善于“察言观色”的营业员走过来介绍说：“某国总统夫人来店时也曾看过这只戒指，而且非常喜欢，但由于价格太贵，没有买。”这对夫妇听完后，为了证明自己比那位总统夫人更有钱，就毅然决定买下了这只戒指。　　4.研究影响消费者行为活动的市场细分因素　　虽然消费者的购买活动是受其心理活动支配和制约的，而人的心理又是在社会实践活动中产生和发展的，要受到各种外界环境因素的影响和制约。社会文化、风俗习惯、生活方式、生活经历、社会阶层、社会风气、相关群体、职业特性、收入水平、教育程度以及气候、地理环境因素等都对消费者行为的产生和发展有着深远的影响。同时，人的心理与行为也受着年龄、性别等个人生理因素的影响，这种影响也必然在不同年龄、性别消费者的行为上有所反映。因而，消费者行为学也就要研究这些外界环境因素和个体因素对消费者行为的影响作用，例如，影响某一消费者消费行为的因素都有哪些？这些因素会对该消费行为产生何种影响？如此等等。　　案例链接：“孩之宝”的成功之道　　美国玩具行业的“孩之宝”跨国公司生产的玩具“变形金刚”，曾在美国市场上非常走俏，在赚了13亿美元之后，“孩之宝”公司将目光瞄准了中国市场。他们认为，中国独生子女政策使家庭对子女智力开发和教育非常重视，“变形金刚”玩具在中国的市场潜力巨大。　　为了扩大“变形金刚”玩具在中国的销售，他们没有采取通常的营销方法，而是首先将一套名为“变形金刚”的儿童动画片无偿赠送给广州、上海、北京等几个大城市的电视台播放。半年之后，等我国广大少年儿童对动画片中的“威震天”、“擎天拄”开始耳熟能详时，他们便不失时机地将“变形金刚”玩县大规模推向中国市场，摆放到各大商场的柜台上。眼看自己梦寐以求的大大小小的各种“变形金刚”呈现在跟前，孩子们兴奋异常，家长们爱子心切，纷纷慷慨解囊，一时间，“变形金刚”玩具风靡中国各大城市。　　同时，相似的影响因素背景会构成具有一定共性特征的消费者群体，正所谓“物以类聚，人以群分”。研究特定消费者群体的消费者行为，有助于细分市场并合理制定营销策略。市场细分及其营销策略很难具体到某一个体消费者，因为那样虽然有效但却很不经济，而根据一定标准把消费者群体分类后进行研究具有更高的实用价值。任何企业，无论其规模如何，它能够满足的只是市场总体中十分有限的部分，而不可能为所有的消费者都提供有效的服务。所以，企业的营销策略往往针对一定的目标群体，而不是消费者个体。

2017年诺贝尔奖中的最后一个奖——诺贝尔经济学奖得主今日揭晓，行为金融学奠基者、芝加哥大学教授理查德·塞勒获得殊荣。当地时间10月9日，瑞典皇家科学院宣布将2017年诺贝尔经济学奖授予芝加哥大学教授理查德·塞勒（Richard H. Thaler），表彰其在行为经济学领域的贡献。在诺贝尔经济学奖的颁奖词中，组委会突出强调了其在有限理性、社会偏好以及自我控制的缺失方面的研究，揭示了人类的行为是如何影响了个人决定以及市场结果。值得一提的是，2013年的诺贝尔经济学奖也颁发给了行为经济学这一领域的专家。据公开资料显示，理查德·塞勒出生于1945年，是行为金融学奠基者、美国著名经济学家。塞勒的主要研究领域是行为经济学、行为金融学与决策心理学。在行为金融学方面，塞勒研究人的有限理性行为对金融市场的影响。他曾撰写多本畅销书籍，包括《助推（Nudge）》、《准理性经济学》和《获奖者诅咒：经济生活的悖论与异常》等等。他在《纽约时报》和《金融时报》等媒体上开设专栏，并为美国经济危机提出了一系列解决方案。塞勒先后在罗彻斯特取得文学硕士和哲学博士学位，并于1995年担任芝加哥大学商业研究生院行为科学与经济学教授、决策研究中心主任至今。塞勒还是个多面手，不仅是资产管理公司Fuller＆Thaler资产管理公司的创始人，还在2015年电影《大空头》（The Big Short）中客串，向观众解释“热手谬误”这一经济学术语。以下为诺贝尔经济学奖颁奖词全文：理查德·塞勒将心理学上的现实假设用于对经济决策的进行分析。通过探究有限理性、社会偏好以及自我控制的缺失，他演示出这些人类特性如何系统性地影响了个人决定以及市场结果。有限理性：塞勒发明了心理账户理论，用来解释人们如何通过在头脑中建立单独的帐户来简化金融交易决策，聚焦个人决定的冲击，而不是整体的影响。他还用厌恶损失的心理解释了赋予效应，即为什么当人在拥有某一商品时对同一商品的评估，要高于未拥有同一商品时的估价。社会偏好：塞勒对公平的理论和试验研究方面一直很有影响力。他解释了，为什么消费者对于公平的关心可能会阻止一些公司在商品需求旺盛时提价，但却不能阻止公司在生产成本提高时涨价。塞勒和他的同事还设计了一个叫独裁者博弈游戏，这一试验性工具被广泛应用于衡量量全世界不同地方、不同人群对公平的态度。缺乏自我控制：塞勒还给有关新的一年计划难以保持的老观点带来了新的视角，他展示了如何使用计划者-执行者模型来分析自我控制的问题，这 与现在心理学家和神经科学家用来描述长期规划和短期行为之间紧张关系的框架相似。屈服于短期诱惑是我们在为老年储蓄、或选择更健康生活 方式的计划经常会失败的一个重要原因。在他的实践工作中，泰勒证明他所创造的一个术语：助推（nudging）可能帮助人们在为养老而储蓄，以 及其他的情况下能更好地自我控制。总之，塞勒的贡献在于为个人决策的经济和心理分析之间搭建了一座桥梁。他的实证研究和理论观点，帮助行为经济学创造了一个快速发展的新领域，对许多经济研究和政策领域产生了深远的影响。附：2017年诺贝尔奖获得者物理学奖：莱纳·魏斯、巴里·巴里什、基普·索恩化学奖：雅克·杜博歇、约阿希姆·弗兰克、理查德·亨德森生理学或医学奖：杰弗里·霍尔、迈克尔·罗斯巴什、迈克尔·扬文学奖：石黑一雄和平奖：国际废除核武器运动经济学奖：理查德·塞勒

来源：瑞沃德生命科学开会时不自觉抖腿，发呆时止不住挠头发，这种无意识行为，或许在每个人身上都存在。但对于自闭症患者而言，这种重复行为却是疾病的表现。自闭症，又称孤独症、孤独性障碍(autistic disorder)等，是广泛性发育障碍(pervasive developmental disorder，PDD)代表性疾病，主要特征是：行为重复刻板、社交障碍、漠视情感、焦虑抑郁、语言发育迟缓等。自闭症严重影响人类生命和健康，疾病致残率高，社会负担重。随着对自闭症谱系障碍遗传和环境影响因素的深入了解，更多动物模型的有效使用促进了自闭症的基础研究。那科研人员使用基因敲除等手段创造的自闭症动物模型，是以什么作为检测标准呢？？？下面为大家汇总5种常用自闭动物模型的行为学检测方法！1.刻板行为检测刻板动作行为，包括啮咬（用牙齿咬笼子，嚼木屑，无目的咀嚼）、将前爪举到嘴边或面部、舔（不包括理毛）、理毛行为、摇头、摇动爪子、用后腿站立及阶段性的发声，将所观察到的各项动作行为计数及其总和作为评估刻板运动的指标。实验时可使用行为学视频追踪系统，实时记录动物相关行为。2.社交行为检测三箱社交，箱体两侧分别放测试动物熟悉过和首次接触的动物，检测小鼠靠近装有陌生小鼠金属笼的时间，以此判断小鼠的社交能力。在实验中通常比较小鼠靠近关有熟悉小鼠的金属笼时间与陌生小鼠金属笼的时间，来判断动物的社交能力。SMART视频追踪系统三箱社交3.焦虑行为检测1，旷场实验在社交孤立（将动物从社会群体中分离出来）和广场恐惧（旷场区域远大于动物的生活环境）因素作用下，啮齿类动物本能地喜欢在周边区域活动，不喜欢在中央区域活动。如果动物在中央区域探索的路程和时间减少、垂直探究活动增加，则表明有致焦虑作用。矿场实验2，高架十字迷宫实验/O迷宫将动物置于迷宫中央区，在一定时间内观察动物分别进入开放臂和闭合臂的时间和次数。由于开放臂和外界相通，对动物来说具有一定的新奇性，同时又具有一定的威胁性，动物在产生探究好奇心的同时也会产生焦虑反应。如果焦虑水平高，动物则更不愿意去探索开放臂。高架十字迷宫O迷宫3，明暗穿梭箱实验动物对明亮地方，具有天然的厌恶和好奇。药物所致的动物在明亮区域停留时间延长，表明其具有抗焦虑作用。在这个实验中，动物穿箱运动是探索性的行为表现，它们在明/暗环境中所停留的时间，是其厌恶程度的反映。穿梭箱4，埋珠实验在笼具里面铺上垫料，固定间距将玻璃珠放置在垫料上，玻璃珠被看作一个不熟悉的、具有潜在威胁的物体，实验鼠将这些威胁物清除的埋珠行为是本能的焦虑样反应的表现，根据固定时间内埋下（埋入体积大于50%以上）玻璃珠的数量，分析动物的焦虑水平。4.抑郁行为检测1，悬尾/强迫游泳倒立悬尾和在光滑的玻璃杯里面游泳，都是让啮齿类动物不适的操作，动物在不适状态下放弃挣扎所需要的时间，可用于评判抑郁状态。抑郁水平高的动物更倾向于“听天由命”，更早放弃挣扎。BIO-FST强迫游泳实验系统BIO-TST5悬尾实验测试仪2，糖水偏好快感缺失是抑郁的表现之一，抑郁表现的动物同时接触糖水和普通饮水时，快感丧失让它们对糖水产生不了明显兴趣。检测指标为一定时间内，糖水和水的饮用量差异。lickometer舔舐行为测试系统 5.学习记忆新物体识别：将动物在两个或者更多的物体周边停留一段时间进行熟悉，然后用一个新物体代替原来的物体。如果记忆正常，小鼠会花费更长时间去探索新物体；如果探索两种物体花费的时间相同，就可以被视为记忆缺失。新物体识别实验范式自闭症的行为学评价方法，在临床和基础研究中具有重要意义。每种行为学实验各有其优势和局限，综合使用各种方法模型，可为深入研究自闭症的遗传机制、环境机制和药理机制提供有利条件，为制定ASD治疗策略提供依据。参考文献：Nuria D. et al. The autism- and schizophrenia-associated protein CYFIP1 regulates bilateral brain connectivity and behavior. NATURE COMMUNICATIONS (2019)Dorian C. et al. Postnatal Tshz3 Deletion Drives Altered Corticostriatal Function and Autism Spectrum Disorder–like Behavior. Biological Psychiatry(2019)Wei Cao. et al. Gamma Oscillation Dysfunction in mPFC Leads to Social Deficits in Neuroligin 3 R451C Knockin Mice. Neuron(2018)Melanie R. et al. Altered TAOK2 activity causes autism-related neurodevelopmental and cognitive abnormalities through RhoA signaling. Molecular Psychiatry (2019)Gil S. et al. Human Gut Microbiota from Autism Spectrum Disorder Promote Behavioral Symptoms in Mice. Cell(2019)

在动物行为的相关研究中，识别动物个体是最昂贵、最耗时的环节之一。这限制了科学家能够研究的行为范围和种群规模。科学家尝试了很多识别方法，例如在鸟腿上绑色带，但这会让鸟类承受压力。现在，这类问题有望通过人工智能模型解决了。据美国“优睿科”网站7月27日消息称，法国、德国、葡萄牙和南非的研究人员近日在《生态学和进化方法》杂志中宣布，他们的一项最新研究首次证明，人工智能（AI）可以训练计算机识别鸟类的不同个体。论文第一作者、法国功能与进化生态学中心（CEFE）的Andre Ferreira博士介绍：“我们的研究结果表明，计算机能够始终如一地识别出几十种鸟类个体。通过计算机辅助，我们为克服野生鸟类研究中最大的局限之一——准确识别种群个体提供了解决方案。”在这项研究中，科学家引入了人工智能技术，先收集成千上万的、已做好标记的鸟类图像，然后再用这些数据来训练和测试AI数据模型。这项研究是AI技术在鸟类研究中的首次成功应用。Ferreira博士解释：“非侵入性动物自动识别技术的发展，完全摆脱了作标记的程序，同时不再受研究人员操作的影响。这是该研究领域中的重大突破。这一系统有很广阔的应用前景，可以解决很多难题。”然而，获得具有标签的动物照片是困难的，这是技术的主要瓶颈。研究人员通过建造带有摄像机阱和传感器的馈送器，成功克服了这一挑战：一方面，研究中的大多数鸟类个体都携带了被动集成应答器（PIT）标签；另一方面，鸟类喂食器上的天线能够用这些标签读取鸟类的身份，并触发开启摄像机。研究人员训练人工智能模型识别了几种常见鸟类的图像，如野生大山雀、群居织雀和圈养斑胸草雀。之后，人工智能模型对若干陌生的个体图像进行了识别。结果显示，它对野生物种的识别准确率超过90%，对圈养斑胸草雀的识别准确率高达87%。科界原创 编译：朱明逸 审稿：alone 责编：雷鑫宇 期刊来源： 《生态学和进化方法》期刊编号： 2041-210X原文链接： https://www.eurekalert.org/pub_releases/2020-07/bes-rbf072120.php版权声明：本文由科界平台原创编译，中文内容仅供参考，一切内容以英文原版为准。转载请注明来源科技工作者之家—科界App。

谈到对小朋友的教育，很多人都会有一个清晰的认识：引导要循循善诱，并且遵循小孩子自然成长的天性。但是，他们却往往忽略了一个现实：不仅是小孩子，成年人也是需要教育的，并且需要遵循人性的规律。人的一生，是一个终身都在成长变化的过程，正如孔子说的：“二十弱冠，三十而立，四十不惑，五十知天命”。这番话背后的含义，就是在不同的人生阶段，每个人都会有不同的需求、性格、心理特点。然而很可惜的是，作为旁观者，我们总以为别人的成长是固定不变的，这就导致了在与他人的交往过程中，总是会犯下一些不可饶恕的错误。比如，否定别人的观点，试图改变别人的行为。在人际沟通中，第一忌讳就是对别人的不认同。不管对方的发言、行为、选择有什么地方是你不认同的，作为一个懂得察言观色、有着高情商的人，他都不会当场指出，让对方陷入难堪。而那些自作聪明、自以为是的人，总是想着去纠正别人的什么地方，结果彼此就是不欢而散的结局，这也就难怪别人会埋怨说，“你不说话，没人当你是哑巴。”但另一方面，在相处的过程中，总有那么一些人，是我们非常在乎的，当他们表现得不好、有什么纰漏的时候，我们也会为他感到焦急、担心、忧虑，想要给对方指出，让他改正，朝着一个更好的方向去努力，而不是把路越走越歪，最后走进极端。当然，在这种情况下就很考验我们说话的艺术、表达的方式、语言的得体性了。社会学研究表明，在群体生活当中，人们的交往模式，是寻求认同感。不知道你是否曾思考这么一种现象：在开始的阶段，为什么一群人会就某个话题聊得很投机，但而当话题进行到中后阶段时，他们往往是以拌嘴、争吵来终结交流的，最后的结局可想而知了。如果深究里面的原因，我们会很惊讶的发现，在交流当中，每个人都是有着自己的思考逻辑的，这个逻辑代表他们的立场、态度、原则，是他们标识自己与众不同的最大标志，说的再形象具体一点就是，每个人都是自己世界的国王，而这个逻辑就是维护他的世界的护城河，一旦遭到别人的攻击、否定、怀疑，也就意味着他们的王国沦陷、防护崩塌，这是很致命的，这也是为什么那些低自尊心、高虚荣感人在遭遇挫折之后，往往容易采取轻生行为的关键因素。因此，在向别人献言献策的时候，你会发现，那些有高情商、大智慧的人，往往都是循序渐进、温和而谨慎的表现，譬如说狄仁杰对武则天的献策、东方朔对皇帝的建议。显然，作为普通人，我们是没有多么高的表达力和说服力的，那么 我们究竟要怎么做，才能让对方接受我们善意的纠错的意见呢？在《改变消费者行为的十大策略》一书中，澳大利亚心理学家亚当·费里尔阐述到：“你要想改变一个人，首先就要界定你要改变的是他哪一方面的东西，同时，这个改变对于改变者本身来说要具备两个条件：一是他有动力去做我们要他做的事，二是他需要做的这件事是相对容易的。”但凡做一件事，要想做得好，首先就要有动机，其次就是能力够得上，这是世界上所有成功者都具备的共同素质，不信你可以观察一下，美国的乔布斯、埃隆马斯克，中国的李嘉诚、马云，这些在商业领域取得巨大成就的人，都是有高动力、高能力的人 。在《格局逆袭：普通人的致胜之道》一书中，大熊老师提醒读者，“要用100分的能力去做80分的事情。”这句话的底层逻辑是，你的既有能力要远远胜于任务要求的能力，这样一来，不管这个任务的难度有多高，你应付起来都是绰绰有余的，这从侧面也就反衬出，这个任务很容易就可以被执行完成，并且你可以在结果中受益。因此，我们要想让一个人产生改变，让他按照你的要求去完成某一件事，最根本的一点是，他一眼就能看出他能做，可以从这件事里面得到好处。在教育培训行业里面，有一句著名的行话：“培训是否效果，就看改变能否能发生在当下。”要想让一个人的行为发生变化，一定要谨记两点忌讳，一不能操之过急，要让对方通过一点一滴的尝试来适应；二不能做大幅度的改变，要通过小动作让他尝到改变带来的甜头。在临床心理学研究中，有一种治疗方法叫行为疗法，具体的操作方法就是通过渐进性的暴露方式来纠正来访者对某一事物的恐惧行为，比如说，你曾经被狗咬过，对狗产生恐惧。治疗师就会安排你慢慢向狗接近，从触摸狗的毛发到和狗拥抱，这一过程可能会持续比较长的时间，这样做主要的目的就是通过慢慢缩短你与狗的物理距离来纠正你对狗的恐惧性行为。很多时候，我们的意见之所以得不到别人的重视，其根本原因就是，这个意见所产生的改变会让对方一时无法接受，心理上适应不过来，就好比如一个不善言辞的人，你让他上台去当众演讲，你嘴上可能安慰他说“就当是去练习一下”。但是，上台演讲这一行为，在对方的眼里，可能就跟上断头台一样恐怖，很容易让他崩溃的。通常最好的办法就是让他先对着镜子说几遍，一来镜子里面的自己是他熟悉的，二来重复的发言可以让他产生肌肉记忆，适应演讲的节奏。因此，在你想要改变别人的时候，希望你能够牢牢记住这一句话：不要妄图从正面去改变别人，任何的转变都是从潜移默化开始的，只有当改变的念头在对方的心里扎根的时候，才会发挥出正向的作用，正所谓“强扭的瓜不甜”，拔苗助长只会适得其反。不可否认，苏格拉底是一个大哲学家、教育家，但他终其一生也没有刻意去改变他妻子的暴躁脾气。

为了适应这个迅猛发展的社会，我们需要学习一些行为学方面的知识，让我们开启一扇重新认识世界的窗。这样，我们才会以一种更加开阔的方式接触新学科，让自己的知识格局与学习方式，与以往有所不同。其实，你想要看到的世界和想要到达地方，都是由你的心灵创造的。当然你的目标的制定，计划的施行，都离不开自我对当下和未来的期许。那么，如何让人们在为了实现目标施行计划时，更高效、更有责任感地全情投入到目标和计划中，让你的愿望和梦想不半途而废或戛然而止？下面先来了解一下我们在工作和生活中需要怎样设立一些机制，让你在做出决定、实施计划中更有可能实现自己的目标。很多时候，你是否会这样想，我们在人生中遇到的很多困境，以及让我们的人生平庸无奇的罪魁祸首其实来源于，我们活得太过随意，以致于即使做了很多极具挑战性的决定，都没有在预期得到有效的完成。就比如：你为了拥有一个健康的体魄，为自己办了健身卡，信誓旦旦地坚持了几个周以后，停下来了，理由是健身房地点远，无法按时完成当天的健身任务，但是，当你附近有健身房时，你不过坚持了几天就再也不去了，目标计划全然失败。相信很多人都有这样的经历。英国政府行为观察小组核心成员罗里·加拉维尔也不例外。但庆幸的是，他接受了一套经典的行为学行为技巧，为了恢复他以前的健康水平，他决定每周去健身两次，并把坚持的期限定为三个月，为自己的目标订下一个承诺，并把承诺写下来公布在自己的承诺板上，并请一名裁判员监督自己的计划实施过程，于是他有了完成健身目标的强烈责任感，让自己三个月后都能言行一致。我们都知道，人们口头做出承诺都比较简单，但怎样让有些事帮助人们强化自己的承诺，更有可能坚持完成目标呢？行为学科学为承诺机制列出了三条黄金法则：一、做出一个有约束力的承诺第一步就是做出你的承诺，并保证这个承诺，与你的重要目标以及你为了实现这个目标而设定的小步骤有明确关联。当人们面临各种各样的选择时，我们每个人心中都有一个“当下自我”和“未来自我”在做选择。“当下自我”更看重当下的回报，“未来自我”则看重明天巨大的收获。如：“当下自我”喜欢享受周末或下班后去酒吧喝酒娱乐，“未来自我”则希望自己利用工作之余的时间参加各种技能培训班，不断充实和提高自己。后者相较之下更自律更进取。如果人们试着让“当下自我”去思考“未来自我”，那么我们就可以让“当下自我”做出一个承诺，知道你的“未来自我”是由现在做出决定的，那么这个承诺就能将你的自我约束在一条更加良性的道路上。所以我们可以想着终极目标定下承诺，如在4小时内跑完马拉松，而且为这个承诺设定一些针对自己的奖惩措施，如没能遵守，就承担明确的后果，这是让承诺具有约束履历的最好途径，它能帮助你坚定不移地朝着目标前行。二、写下你的承诺，并公之于众20世纪50年代，所罗门·阿什说道：我们似乎比自己想象的更可能屈服于群体压力。于是，人们意识到，一些细小的改变，比如抛出个人的观点，非常有助于人们坚持自己的立场。在经过一些关于开展各种各样的承诺是否能够强化参与者的决心的实验中，揭示了一套人类行为的共通真理，那就是，我们可以强化自己的承诺：首先，写下自己的承诺，当着你的承诺裁判的面，在承诺书上签上名字，完成目标计划的日期。这种方法对于鼓励自己言行一致非常具有约束力，并且非常有效，有助于提高承诺的分量。其次，别把你的承诺藏起来，把承诺公之于众。这将能够让人产生强大的动力去信守承诺。欧文·瑟维斯、罗里·加拉维尔所著的《小逻辑》让你明白：写下承诺的过程内化了压力，让我们对自己的行为胸怀期望。公开承诺则将这种内在的压力揭示在他人面前。这种良好承诺的机制，把你的承诺与制定目标和计划联系起来，让迈向完成目标的每一个步骤更有了施行的保障。三、指定一名承诺裁判行为科学家迪恩·卡尔兰和伊恩·艾尔斯鼓励人们在制定目标前，设立一份具有约束力的承诺合约，并指定一名承诺裁判监督实施行为，以帮助人们朝着目标坚定不移地前行。这是因为有承诺裁判的人比没有的人，实现目标的概率高约70%。所以，人们要信任你的承诺裁判，并相信他是公平的。更重要的是，要相信承诺裁判能执行你们的约定，并能有效地对你进行惩罚和奖励，督促你严格执行目标计划。总之，承诺机制之所以有用，是因为承诺机制不仅能帮助你实现人生目标，也能够运用承诺机制去鼓励他人实现目标。

浙江24小时-钱江晚报记者 柏建斌5月15日，西子湖畔、聚贤话廉，中国行为法学会廉政行为研究会驻浙江工作委员会在杭揭牌。戴俭明会长向与会嘉宾介绍到，中国行为法学会廉政行为研究会是在党的十八大以后应运而生，由中国行为法学会组织热心党风廉政行为研究的专家、学者、党政机关及企事业单位等各界人士组成的合法社会团体，其任务主要是开展廉政行为理论研究与宣传和廉洁文化建设与传播。他指出，廉政行为研究会自成立以来，围绕党风廉政建设，培育社会廉政文化氛围，开展学术研究、论文出版、专项调研、书画创作展出、廉政题材影视文化创作等多种形式组织开展工作，为营造风清气正的社会生态、弘扬中华廉洁行为美德做了大量工作，取得了一定成绩。戴俭明强调，浙江是个经济强省，文化大省，党风廉政建设经验丰富，驻浙江工委是本会的派驻机构，要认真按照本会的章程办事，结合浙江的实际经验开展工作，与浙江省委、省纪检监察委等部门相关部署同频共振，按照研究会要求，围绕研究会的基本任务，结合当地实际进行工作。同时为办好研究会网站和刊物提供信息，开展廉政行为理论研究和文化宣传活动，积极为当地党风廉政建设建言献策。研讨会上，驻浙工委执行主任潘俊介绍了工委筹备情况。