行为学研究方法

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)

研究方法作为知识生产的工具，其实跟背后的本体论是有很大的关系。我们完全可以不关注研究方法背后的本体论。很多人认为不需要关注，但是如果不关注的话，会导致研究方法的使用上会有很大的一个误差。那么定量研究方法和质性研究方法的区别何在？表面上看，一个是用数学，一个不用数学。也就是说是研究形式上的区别：一个采取量化的手法，一个不采取量化的方法，而是用文字表述的方法。但二者的区别，根本原因在于社会本体论预设的不同。量化方法本体论预设：社会世界类似于自然世界。所以社会科学可以模仿物理学，采取类似于自然科学的方法，数量化是必不可少的特征。科学性体现在实证性（或者经验性，注重可观察的证据），精密性（数学是特征）和揭示一般规律（从而可以做出预测）质性方法的本体论预设：社会世界不同于自然世界，因为社会是由人构成，人是有思想，情感，价值观念，信念等主观主义。人的行动是意义驱动的，而不是自然界中的刺激—反应行动。对意义的把握要通过理解，自然科学的客位立场无法达到对意义的理解。比如说对人的现象进行研究，就要理解人。比如说你要理解穆斯林的行为，你就要去读伊斯兰教的教义。如果不理解这个教义，怎么能理解它呢？我们很可能就是从一个非宗教徒的角度用自己的想法来裁剪它的行为，扭曲了它的行为，那这已经是违背现实了。意义可以定量的测量，但测量不是理解，因为测量可能是从客体立场来裁剪意义，甚至是研究者把自己的意义强加给研究对象。对意义的把握要从主体的立场出发。科学性首先体现在方法与社会科学研究对象的属性的匹配性。量化方法与社会现实的本体论属性不匹配。质性研究在实证上，与定量研究者一样。质性研究者也追求揭示规律，但社会规律与自然规律有不同的表现形式。科学性不在于严密性，严密性是我们追求的，但不仅仅在于严密性，它还在于研究方法和研究对象的本性的匹配性。

心理学是一门年轻的学科，从它的产生到现在不过寥寥百余年。与数学、物理学、文学等学科来比，它就像一个“婴儿”一样稚嫩。但就是这么一个“婴儿”，也在历史的河流中形成了许许多多不同的流派。今天我们就来聊一聊其中的“行为心理学”流派。20世纪初期，美国仍在盛行传统的心理学研究方法：研究飘忽不定、转瞬即逝的“意识”。这个时候，一些年轻地心理学家们对这样的研究表不满意，他们觉得，心理学应该和其它自然科学处在同一水平线上，应该研究一些看得见、摸得着的东西，也就是“行为”。美国心理学家约翰·华生就是这些年轻人中的一位，也是今天的主角“行为心理学”的创始人。行为心理学中的刺激与反应。行为心理学一反传统心理学采用“内省”的方法，主张研究能够直接反应人意识的、看得见、摸得着的一些特征，即对人的行为本身进行研究，因而影响深刻。所以在研究方法上，行为心理学喜欢采用客观行为观察的实验方法：夜晚，当探照灯的光打在人的脸上，人们的瞳孔就会迅速收缩，而此时如果将光源切断，那么人的瞳孔又会重新放大。在气氛和谐的室内，若是突然有东西掉落到地上发出巨响，屋内的每个人都会受到惊吓而左右张望。又或者室内有难闻的气味，屋里的人也会捂着鼻子出去透气。将室温升高，里面的人就会出汗并脱掉上衣，但将室温控制在一个很低的温度线下，里面的人又会做出哆嗦、相互拥抱取暖等反应。这些行为都不是无缘无故产生的，研究它们发生的前因后果，就是行为心理学的“责任”。身体里面的反应。此外，我们的体内也有因刺激而产生作用的诸多部位，例如：因为没有进食的缘故，胃部的肌肉开始有节奏地进行收缩；而一旦摄入了足量的食物，胃部又会停止收缩。我们身上的肌肉也不仅仅只受到来自血液的刺激，它们同样受制于自身的张力——张力的增强，会使得肌肉和躯体满有活力，充满内劲；而张力减弱时，肌肉就会松弛，使得躯体失去活力。动物和人类作为有机体，会不断地受到来自环境客体的刺激，包括身体内部组织本身的变化所带来的刺激。但需要注意的是，千万不要认为我们的身体内部组织对我们的影响力，比外部客体对我们施加的影响力更为神秘或者不同。人类除了眼、耳、鼻、舌这些感觉器官，还有整个肌肉系统，包括横纹肌、非横纹肌。这些肌肉不仅仅是反应器官，也是感觉器官。在人类的行为方面，它们起着非常重要的作用，人类绝大多数的反应都是在横纹肌和内脏组织的变化所引起的刺激上建立起来的。婴儿与“蒙娜丽莎的微笑”。如果有人关注过人类行为的成长过程，他就会发现，新生儿的成长过程中虽然有很多刺激能够引起他们的反应，但同样也有很多刺激不能引起他们的反应。比如人们将“蒙娜丽莎的微笑”或者贝多芬的交响曲乐谱放到新生儿的面前时，就不要指望孩子能够做出什么反应了。在接下来的文字中，我将会与大家一起探讨那些在一般情况下不会引起反应的刺激，以及那些能够引起我们反应的刺激（条件反射）。从出生到死亡，有机体无时无刻不在受内在的或外来的刺激，而当有机体受到刺激时，就会开始反应，做出运动。这些反应可以是大幅度的，能够通过肉眼观察到的，如手臂、大腿、躯干的运动；也可能是十分微弱的，只有通过相关仪器才能检测到。这样的微弱反应，可能是以呼吸的变化反映出来，也可能是以血压的升降表现出来，还可能是一丝不易被人捕捉到的眼神流露。在大多数情况下，有机体都会为了适应刺激所带来的袭击而做出本能的反应。在适应的过程中，有机体会通过运动改变自身的生理状态，以使刺激作用消失。也许这么说不够形象具体，但通过以下举例，这个问题就不难理解了。依然拿饮食举例：当人感到饥饿的时候，胃部会开始收缩，接着我们会难以忍受，感到心理失衡，于是开始寻找有什么可以吃的。这时，我们可能会惊喜地发现冰箱里仍有剩下的面包奶酪，于是便饥不择食地享用起来。饱餐一顿之后，我们的胃部得以恢复，即便大街上的超市和购物中心里摆放着各式各样的悦人眼目的食品，我们也不会再有进食的欲望。或者在寒冷的冬季，走在大街上，强风刮到我们全身，我们就会加快脚步，或者寻找一个可以挡风取暖的地方来驱散身体里的寒气。又或者我们饮酒过度时，脾胃为了保护自己不受伤害，也会迫使喝酒的人把酒吐出去。其实，以上这些都是有机体为了适应刺激、保护自己而做出的反应。行为心理学家对刺激—反应的研究和强调，引起了一些心理学家的不满，他们认为行为心理学家的兴趣是记录肌肉的反应，而对这些肌肉反应的观察总结对心理学的研究并不能做出实质性的帮助。但其实，行为心理学家的主要关注力是集中在整个人类的行为上的，而不单单是肌肉反应。具体研究时，行为心理学家会观察一个人如何在工作日履行他的职责，他们对反应的研究无非是想清晰明白地告诉人们，一个人正在做什么，还有为什么要这么做。（行为心理学创始人约翰·华生）行为心理学虽然在现在看来已经成为了历史，但起在心理学中的地位和作用仍不可小视。行为心理学通过其理论体系，发展出了一些相应的疗法，例如示范疗法、行为排演等，这些疗法不仅在特殊领域有很好地治疗作用，同时也为日后的心理学流派和心理治疗方法提供了不少理论基础和参考价值。参考资料：百度百科《行为心理学》约翰·华生《行为心理学：一个伟大心理学家的思想精华》

你是否会有这样一种错误认知，认为每个人都会最大限度地谋求自身利益的最大化，而不会考虑社交互动会有多么重要。其实这是一种错误的经济假设认知，就如美国经济协会主席、英国行为观察小组长期顾问理查德·泰勒提出的观点：“所谓纯粹的经济人实际上接近于一个社会白痴。”行为科学观察证明，每个人都是社会动物，而不是这个社会的独立存在，人们不仅受到自己怎么看待别人的影响，同时也会受到别人怎么看待自己的影响。所以，在行为学科学中就运用社交力量中积极作用的一面，让人们在实现目标的过程中，了解和学习实现目标的行为技巧的另一个机制，那就是“分享机制”。行为学“分享机制”能教会你在寻求他人支持、助你实现目标的同时，也要抓住机会帮助他人实现目标。怎样利用周围人强大的影响力，来帮助达到实现目标的最大效果呢？下面我们就对“分享机制”的行为学三条黄金法则，进行一一解读和学习。● 规则一：找一个人分享你的目标如果能得到别人的帮助，你更有可能实现目标，而且你可能惊讶于别人会多么愿意为你提供支持。行为观察小组核心成员欧文·瑟维斯和罗里·加拉维尔，在他们所著的《小逻辑》中向人们阐明了他们通过实验得出的一个结论：我们大多数人都错过了一个巨大收益的计划，即支持我们实现既定目标的最佳资源：别人的帮助。在现实生活中，人们都会这样想，这个社会越来越现实，与其寻求外来帮助，还不如自己帮助自己实现目标。诚然，自己才是实现目标的主体，但是我们对于他人会为我们提供帮助的估计，过于悲观。其实，经过行为观察小组的观察统计，大约有50%的人愿意为别人提供帮助的。所以，我们可以请求别人帮助来实现目标：01.思考用不同的方式，鼓励人们从一开始就提出问题不知大家有没注意到，现在的学校教育已经开始利用短信、互校通、微信群等网络，来告知家长孩子在学校的接受教育情况，每一条短信内容无外乎都是具体到，在校学习情况、成绩反馈、考试复习情况等等。这些信息的交流，不仅让家长了解到孩子在校情况，而且在让家长接收到老师提出的一些让家长在家督促和帮助孩子成长的信息。别说，大部分家长都愿意接受这样的互动要求，因为这样可以为孩子提高和取得好成绩等目标而共同努力。02.与同伴在一起，会更容易激发人们的行为动机，他人的帮助会激发我们独处时要大得多的努力和热情。现在人们都热衷于追求健康的生活方式，一些戒烟、戒酒、减肥、健身的计划，已经提到了每个人日程中，变得非常重要。但是决心易下，坚持下去的毅力不是每个人能持之以恒的，这时，寻求同伴的帮助就是你实现目标的最大助力。这样，微信圈中有同样需求的人，就可以开始尝试寻找有相同需求计划的人组队戒烟、减肥、健身，大家利用各种能提供帮助的软件，提醒自己和帮助别人在团队中一起完成计划目标。据统计，有同伴支持的项目总是比那些没有同伴支持的项目更有效果。你可能注意到，如果你喜欢健身、减肥，如果有了同伴，你就会更快更好地努力坚持锻炼，直到达成计划目标。● 规则二：发掘你的社交圈人们的社交圈会对其行为产生深刻的影响，有很多利用社交圈的方法，可以助推你实现目标。就现在而言，人们都已经认识到了社交网络的使用已普遍融进了人们的生活，但是当我们要考虑通过哪些方式和方法，来利用社交网络助推人们达成目标时，也要弄清社交网络的哪些方面会破坏我们的努力。行为科学家亚当·格兰特推广了一种“互惠环”，他让人们通过社交网络的方式，建立一个“互惠环”把人们聚集在一起，鼓励任何想要的人说出他们需要得到的支持，那么社交网络中的人就会想到他认识的人，会帮助到有需求的人获得支持。这样的网络助推，不仅可以合理组织和安排线上线下的社交活动，还能得到积极的引导，帮助有需求的人实现目标。比如；我们现在的社交网络，微信、微博、头条、微信公众号等，都已经大大改变了我们在日常生活中的社交能力，让人们在各社交平台上都能找到适合自己的社交网络，进行学习各种技能，从多方面提高我们的工作和生活能力，更有效地助推我们实现自己的目标。● 规则三：运用团队的力量和一大群人一起努力实现同样的目标，可能会比你自己单独做更高效。有一个行为研究数据认为，人们对目标有一种基本直觉，那就是：尽管人们在职业生涯的大部分领域，在群体中工作与人共事是一种常态，但人们还是常常会把追求目标看作是一种个人活动，是一种与他人隔绝、特立独行的行为。事实上，人们是可以利用团队的力量来实现目标的。比如：现在很多人都想通过锻炼来实现减肥的计划，但一个人终究还是见效甚微，这是通过社交网络，我们就可以把渴望减肥的人，组建成群来共同努力进行减肥计划，而不是让人单独尝试。在执行目标计划的过程中，当你想要提升整体的表现时，尤其是在工作中想要提升团队业绩是，我们可以将不同技能和背景的人结合在一起，运用“头脑风暴法”，让每个人利用各自的知识和特长，彼此独立地提出自己的新想法和新创意。这样，通过团队结合起来制定的方案和决策，能很好地找到解决问题的方法，还能把个人目标和团队目标结合在一起，大家一起利用集体的智慧，帮助我们做出最好的决定。所以，分享问题是解决问题的一种重要行为方式。同样，不把目标当做只是个体的行为，而是引入他人的帮助，能让一个有着共同目标的群体，利用集体智慧，让团队共同努力，更快更好地达成目标的实现。

那些想要了解直觉本质的人的汇编德米特里朱可夫，生物科学博士，俄罗斯科学院生理学研究所比较遗传学实验室高级研究员。IP 巴甫洛夫俄罗斯科学院1.关于鸟类和动物实例的行为刻板印象Victor Dolnik。生物圈的顽皮孩子。圣彼得堡：CheRo-na-Neve，Petroglyph，2004尽管有许多公平的批评，但我认为这本书对那些没有接受过生物教育的人非常有用。它揭示了复杂形式的社会行为的简单而明确的生物学意义。作者用简短但内容丰富的解释性文本提供了许多插图。演讲以一种非常简单的语言进行，有许多例子，我们的行为刻板印象和行为变得清晰，例如财产的本能，羞耻感和群体团结的愿望。所有这一切都以鸟类和动物的行为学信息为背景。该技术允许作者证明所有生物都属于同一生物圈。人类在其他动物中的地方Reznikova Zhanna Ilinichna。智力和语言：实验镜中的动物和人类莫斯科：Nauka，2000一个关于动物关系和一个人在其他生物中的定义的出色表现。叙述是基于对实验中获得的数据的分析，因此本书包含许多示例和描述动物行为的不同方面的情况，这使得它更容易阅读。最好的书籍之一，你可以了解动物的认知能力，他们的沟通技巧和社会化过程。2005年，雷兹尼科娃出版了“动物和人类的智力和语言”一书。“认知行为学基础”，这是这项工作的延伸和补充。3.遗传学和环境在人格形成中的作用Richard Levontin。人性：遗传和环境M .:进步，1993年优秀科普文献的一个例子。作者是美国着名的进化生物学家。该书是为“简单读者”发行的人类遗传多样性主题研究的变种。所以它写得很清楚，带有大量的庸俗例子，同时也是作者关于遗传与外部环境之间相互作用复杂性的主要观点。我们都像是无尽的祖先链的产物，也是我们自己努力的结果。200页的作者理解了人的相似性和个性的原因，指的是遗传机制和心理学方法。本书适合那些想要理解为什么人们彼此不同以及人类多样性的演变是如何从生物学和遗传学的角度演变而来的人。同时，读者不应该害怕公式和图表，4.人类思维如何发生洛伦兹康拉德。镜子的反面男：共和国，1998年作者是1973年获得诺贝尔生理学和医学奖的行为学创始人之一。为准备好的读者准备的书。在其中，行为学硕士对人类和动物的行为进行了深入的回顾。本书的主要特色是作者关于人类思维起源的假设，实际上“镜子的反面”是人类认知指定的隐喻。作者反思了人类与世界的互动过程以及他在世界上的自我意识，认知能力，先天性和后天性。例如，他认为基因编程的行为规律对于所有文化都是相同的，例如教孩子一门语言。这个过程不是以干净的石板开始，而是基于先天的结构。作为一个例子，作者在此引用了一个众所周知的聋哑人和失明女孩海伦凯勒的案例，这本书的内容更像是一种哲学而非生物学，但它阅读起来非常有趣和有趣。为准备好的读者准备的书。5.社会行为是自然选择的产物Wilson EO Sociobiology：The New Synthesis 1975哈佛大学出版社本书中的生物学家并没有什么令人震惊的，尽管它引发了关于将演化机制应用于社会行为的可能性的丑闻和科学争议，实际上这个争议是关于社会生物学的合法性。威尔逊的反对者指责他有社会达尔文主义，并且接近优生学的概念。这本书包含正确和不言而喻的思想：社会行为是自然选择的产物（见达尔文的理论）。也就是说，我们的友谊，利他主义，爱情 - 这一切都不是高尚精神的产物，不是“高”人类文明的结果，而是通常的生物适应。另一方面，对“外星人”（种族，民族，文化和其他群体）的敌意再次是自然的和生物学决定论的。

　　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。

心理学入门Introcing Psychology – Introction to Psychology心理学是研究心理现象的科学；心理学的基本任务是探索和揭示心理现象的规律；心理学的研究领域不断扩大，正在成长为一颗枝叶繁茂的科学大叔；研究心理学有重要的理论和实践的意义；心理学是一门中间科学，它既具有自然科学的性质，也具有社会科学的性质；试验方法是心理学最重要的一种研究方法，在心理学中还经常采用观察法、测验法和个案法等。1879年德国心理学家冯特在莱比锡大学建立了世界上第一个心理学实验室，标志着心理学作为一门独立的科学正式诞生。19世纪末20世纪初是心理学中派别纷争的时期。当时涌现出来的重要学派有：构造主义、机能主义、行为主义、精神分析学派和格式塔心理学风。不同学派在心理学的方法论基础、研究对象、研究领域和研究方法上都有显著的分歧。它们对现代心理学的发展都起到了作用 。从20世纪30年代以后，心理学各派别间出现了互相吸收、互相融合的新局面，心理学形成了不同的研究取向，主要有认知心理学的取向、行为主义的取向、精神分析的取向、人本主义和积极心理学的取向、生理心理学的取向、进化心理学的取向。二次世界大战后，心理学得到了迅速的发展。某些占统治地位的传统观念(如行为主义、精神分析)受到日益猛烈的抨击，而新的心理学思潮相继产生，形成了不同的研究取向，主要形成了以下6个方面的研究取向：1、认知心理学的取向：把人看成一种信息加工者，主要探究认知（感知觉、记忆、思维等）过程。强调环境因素不再是说明行为的最突出因素，而是通过支配外部行为的认知过程而影响到行为的。2、行为主义研究取向：主要研究行为，观察学习等，注重社会因素的影响，改变了传统行为主义重刺激-反应、轻中枢过程的思想倾向。3、心理分析研究取向：强调意识和自我的重要性，把青年期看作力比多活劢的高潮时期；强调自我在人格发展中的作用。4、人本主义研究取向：认为人本质是好的、善良的，人有自由意志、自我实现的需要，人是单独存在的，不要把他们合并在不同的范畴之内。5、生理心理学取向：关心心理与行为的生物学基础，脑结构、免疫、遗传对人的影响，把生理学看成描述和解释心理功能的基本手段。6、进化心理学取向：强调自然选择对人类普遍行为倾向的塑造作用；人类的心理机制也是自然选择的结果，强调“过去”对心理机制的关键作用。功能分解是探究心理机制的重要途径；心理机制具有模块性 ；人的行为表现是心理机制和环境相互作用的结果 。

心理学经过多年的发展，对人的研究也越发的深入了。如何读懂他人的行为，一直是心理学家们孜孜不倦的追求。目前，心理学总共发展出了这7种对他人行为进行观察的方法，大家可以学习一下，学会后，你对他人的行为会有一个更深入的了解。（1）心理动力学视角这种方法是指从人类的潜意识观察他人行为，特别是从早期童年经历和人际关系来观察他人性格中潜在的一些因素。比如，很多性格暴躁，极端的人，很有可能其父母也是如此，这就是其童年经历对其造成的影响。当你了解对方父母是个什么样子的人时，往往也可以推断出其性格的一部分特征。（2）行为心理学视角行为心理学是关注学习行为的观点，即每种行为代表了什么意思。比如对方摸头的动作代表了对方此时可能内心不安，而将双手放在胸前代表了缺乏安全感。这种方法是先对行为的观察，再去猜测对方的心理。（3）认知视角认知视角是从认知心理学的角度来观察人类行为，这一领域侧重于对人类的记忆、思考、解决问题、语言和决策的心理过程进行研究。比如当你得到一个信息时，你的大脑会如何思考，你的心理会怎么变化，从而会如何影响你的行为。这里面的内容非常多，对着感兴趣的可以阅读相关书籍。（4）生物学视角这个是目前非常流行的一种研究方法，当我们思考某些人的行为时，单纯的去考虑所谓的心理变化，而是要与生理变化联系在一起。就像理解抑郁症，一般人可能很难理解，但是从生物心理学就很容易了，抑郁症患者的大脑与常人是不一样的，其中有个区域发生了病变，导致某物质不能正常分泌，因此才会开心不起来。（5）跨文化视角跨文化心理学是一个相当新的观点，这种方法主要是观察不同文化对人类心理的影响，从而对他人的行为进行解释和预判。比如，美国人往往更加崇尚个人自由，这就是他们的文化导致，而中国人就更倾向于集体主义和集体生活。而最近文化的变化导致新一代年轻人开始更喜欢自由自在的生活了。因此在分析一个20岁的人和40岁的人时，我们要考虑这方面因素。（6）进化心理学的观点进化心理学是非常有用的一种观点，因为人类很多本能的心理反映，都是在长时间进化中形成的，当你了解这一点后，就会对很多事情豁然开朗。比如，是因为远古时期，比较花心的男性往往会拥有更多的后代，而那些专一的男性因为后代较少，渐渐都灭绝了。所以我们都是花心者的后代，自然都有着花心的基因。结语：上面的6种心理学观察方法中，你可以选择其中一种或多种加以学习，等你学会了，你会发现，读懂他人的心理和行为是如此简单。

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