行为学研究实验

每天耕耘最有趣、最实用的心理学根据达尔文提出的进化论，人类一切行为和目的，都只有一个，那就是物种延续。而要实现物种延续，最为重要的步骤就是人类必须 发生性行为，以合成后代。性行为（Sex behavior）是生物学上的基本术语，它是指同性或异性之间，为了满足性欲和获得性快感，而相互合作开展的动作与活动。性行为多种多样，其中包括性交。所谓性交，广义上是指两个雌雄异体的生物之间，通过生殖器接触而达到繁衍后代目的的行为。动物之间的性行为，通常主要是为了繁衍后代。而人类成年男女之间的性行为，则不一定是为了繁衍后代，还会出于其他目的而进展开性交。相关奇葩研究和试验出于科学研究目的，人类科学家曾对人类的性行为展开了大量观察与研究。当代性学权威、美国著名性学家马斯特斯和约翰逊，则是这项研究的先锋派人物。【马斯特斯《人类性反应》与相关试验】1966年，Ｗ·马斯特斯和Ｖ·约翰逊合著的《人类性反应》一书刚一出版，就轰动了整个西方社会，这部著作旋即被认为是一部标志着人类性研究里程碑的著作。闯入危险禁区的科学家1930年，在罗切斯特大学就学的马斯特斯，对性行为问题产生极大兴趣。但在当时那个时代，性行为是不能被公开提及的，人们甚至绝口不提身体的各种器官名称，更别提性器官。而学校中的图书馆有相关性问题的书则被严加保管，想要阅读必须经特别许可。马斯特斯对此非常吃惊，他认为，性行为在人类生活与活动中如此重要，但人类对性行为以及性知识却少得可怜。性学在当时是一个完完全全的禁区。为什么人类对身体的其他功能不遗余力地进行研究，却偏偏要忽略繁衍后代极其重要作用的性功能呢？马斯特斯决心向性行为禁区挺进。四处奔波寻访1940年代末和1950年代初，马斯特斯决定从妓女入手调查和研究。因为马斯特斯认为，他们至少从数量和经验上来说最富有经验。从1954年秋天起，他一共走访了近118名妓女和27名妓男。由于马斯特斯过早的秃顶，使他看上去非常成熟而富有权威性，是个极端严肃而正经的人。所以，依靠他不同凡俗的外表与学识风度，总能在调查寻访过程中克服对方的冷漠与怀疑，得到采访人的信任。因此，只要有可能，马斯特斯就先请中间人提前代表他作初次接触。如果自己要去陌生的地方，就会通知警察他在干些什么。通过筛选，马斯特斯从她们中招收了少数人参加了后来的实验室研究，并把她们根据性经验提供的一些性技巧，成功地运用到后来的性治疗案例中。马斯特斯从实验调查中发现，从生理上来说，妓女都不太正常。因为他几乎很难找到一个拥有正常骨盆，且骨盆区域不过分充血的妓女，因为她们的器官总是因过度使用而扩张。他在走访中也顺便纠正了以往人们在这一领域的偏见，比如外界普遍认为妓女不会有真正的快感，妓女几乎都是同性恋，她们出卖自己身体的目的，无一例外都是为了钱。但是马斯特斯通过走访调查发现，某些妓女的第二动机，其实是性渴望。渴求理解科学研究的合作人1956年12月，一位特殊的性行为合作人弗吉尼亚·约翰逊出现了。约翰逊是一位朴素的密苏里人，她学过音乐和社会学，做过广告和管理研究，还有商业写作经验。离了婚的约翰逊有两个子女，她从小在农场长大，从没有人告诉她月经或任何类似事情。并且，约翰逊看上去温柔漂亮，雾蒙蒙的褐色眼睛里储存着热情的火花。马斯特斯一眼看中了她。尽管约翰逊当时对性科学一无所知，但她已下决心献身于这一科学研究。（后来这两位性学大师结成终身伴侣，但据说晚年离异）。在实验过程中，许多人对马斯特斯和约翰逊提出了种种指责。因为，这种性行为表面看来是在以科学研究之名展开的，但事实上，在明亮的灯光下，在其他人的注视下，身旁还有各种仪器不停运转、摄影机也逐渐靠近，实验双方的行为其实是非常有压力的。因为，毕竟，人们会思考：这样的实验，以及眼前实验者的行为结果，究竟对普通人有什么意义和价值？是否值得这样做？而周围围观的研究者到底是不是窥淫癖，还是什么其他心理上古怪不健康的人？面对实验团队的质疑，以及外界的流言蜚语，马斯特斯和约翰逊并未过多关注，而是坚持完成自己既定的实验行为。两人除了将自己的性行为过程和体验，以及各项数据完整记录下来，还研究了将近382名女性和312名男性受试者的，以各种方式进行的性行为，以及他们所达到的上万次高潮，并使用精密仪器对各种性反应过程进行了详细的数据记录。在详实而具体的实验数据和资料基础上，两人冒着被社会舆论指责的风险，发表了一篇又一篇的性学研究报告，而这些性学报告对学术界造成了一次又一次的冲击。性学实验的历史性贡献天道酬勤，实验团队的辛勤付出最终获得了巨大的成功。马斯特斯与他的团队以客观详实的实验和独家结论，改变了当时人们的观念。在他们的不懈努力下，人类性行为终于揭开了它神秘的面纱：1. 人们开始愿意公开讨论性；2. 不仅充分肯定性对婚姻的重要作用，还破天荒地出现了夫妇同时接受治疗的事；3. 大多数医学院开始设置有关性行为的课程；4. 研究人员通过进一步实验，确定了人类的性反应周期；5. 证实了女性也同样拥有欲望和高潮；6. 修正了导致“羊尾”的精神病学说；7. 肯定了不同姿势的行为的正常性；8. 认识到人类手部运动并非有害，某种程度上是人的自我拯救与纾解。而以上种种研究结论，悉数都记录在马斯特斯的性学著作《人类性反应》一书中。- The End -作者 | 神奇小小编辑 | 一粒米第一心理主笔团 | 一群喜欢仰望星空的年轻人参考资料：《Human Sexual Response》Lalasz, C. B.; Weigel, D. J. (2011). "Understanding the relationship between gender and extradya dic relations: The mediating role of sensation seeking on intentions to engage in sexual infidelity". Personality and Indivial Differences. 50 (7): 1079–1083. doi:10.1016/j.paid.2011.01.029.

水迷宫（Water Maze）是目前阿尔茨海默病（Alzheimer Disease, AD）研究中使用得最多的行为学实验方法，主要用于检测啮齿类动物的空间记忆能力。该方法是由理查德-莫里斯（Richard Morris）于1981年发明，并在三年后对其实验流程进行了进一步的完善，为了表示对发明者的纪念和尊重，人们把这种实验叫做“莫里斯水迷宫（Morris Water Maze，WMW）”。从80年代初被发明之后，水迷宫逐渐成为AD认知记忆实验中的“主力”。当我们同时以阿尔茨海默症和行为学实验名称进行搜索时，水迷宫的检索所得项目要远多于其他任何行为学实验（图1A）。而且水迷宫对AD行为学研究的统治地位是与日俱增的，在1995年之前，水迷宫实验占列入统计的7种行为学文献总数的44%（图1B），但是到了2020年，这一比例已经增长到了54%（图1C）。由此可见AD研究中水迷宫所处的“统治地位”。图1. 水迷宫是AD研究中最重要的行为学实验但是和许多动物行为学实验一样，不同的论文中该实验无论是在器材规格，实验流程以及数据统计方面都有很大的差异，往往令人疑惑不解，搞不清楚水迷宫实验到底有没有统一的标准，哪些参数是可以更改的，哪些参数是需要慎重考虑的。为了解答这些疑惑，我们计划从设备、主要流程和统计分析三个篇章来对水迷宫进行解析，希望能让大家对水迷宫实验有一个大致的了解，对影响水迷宫实验的各种因素做到心中有数。需要注意的是，为了叙述方便，这里我们所采用的流程和实验器材规格都是针对小鼠的，虽然大鼠实验中参数会有一定的变化，但是原理是一样的。今天我们从设备即器材的选择开始讲。水池（Tank）水迷宫实验的主体是一个圆形的水池，水池的内径一般为120-130cm之间。虽然也有研究采用的是直径100cm或者180cm规格的水池，但水池过大会造成小鼠需要探索的面积增大，学习时间过长，并且小鼠的娇小体型不利于热量的保存，在水中焦躁地游泳进一步加剧了热量的消耗，过长的游泳时间不利于小鼠身心健康，甚至危及生命；另一方面，过大的水池也会造成操作困难，尤其是在引导水池中未完成任务的小鼠走上平台的过程中，小鼠如果位于水池中间，就是考验实验人员手臂长度的时候了。反过来，水池过小会导致实验难度过低，有可能不能对神经系统损伤的小鼠和正常小鼠进行有效区分，可以理解为考题太容易，学习成绩差的学生和优等生都能做出来。水池一般为50-60cm高，其中水深30cm，留出20-30cm的边缘可以用来放置提示方位用的标志物（Cue）。边缘不宜过低，因为低于10cm的话小鼠在游泳过程中可能会跳出水池，另一方面也没有足够的空间贴标志物。水池一般会由支架支撑起来，高度上方便实验人员进行操作。图2. 小鼠水迷宫尺寸如果有条件，水池最好有完整的温控系统，即温度检测和上升降温装置（主要是升温），将水温的波动控制在最低水平。而且这种温控系统的升温设备需要尽量均匀分布，否则水温不均也会影响实验结果。水迷宫房间内的给排水系统可以大大增加实验的便利性，因此建议设置专门的房间用于水迷宫实验，并能直接安装向水池提供热水的龙头。如果没有像实验用水浴锅那样有自动温控装置的水池的话，为了实验的连续性，可以用蓄水量更多的水池（即高度超过60cm），更多的水能更长时间地保持水温。不过，仍然需要温度计进行监控，使水温维持在20-22度之间（其实22度是最好的，但是实际上没有自动温控系统的话很难维持，所以在温度低于20度之前要及时加热）。水温过低会导致小鼠体温降低，身体机能下降，严重的可能会导致体弱小鼠死亡，从而影响实验结果；不过如果水温高到一定程度后，小鼠可能会因为体感温度舒适而导致寻找平台的动力减弱，也不利于实验。为了方便动物行为采集系统的工作以及防止小鼠看到水下的逃生平台，一般针对白色的小鼠，水池材质是深色即可，不需要在水中添加颜料；而白色的钛白粉则可以用于黑色或者灰色小鼠的行为实验。值得一提的是，有研究表明水的颜色对小鼠寻找平台没有影响，这可能是小鼠游泳时抬头运动或者光线折射的缘故。但保险起见，进行深色动物实验的同时也加入白色颜料，主要是为了增加对比度，提高视频分析系统的准确性。平台（Platform）逃生平台一般为直径7-10厘米的圆形（虽然方形平台也常有报道，但本人更推荐圆形这种没有尖锐突出的平台），材料上没有特别的要求，能让小鼠站住不要太滑就行。一般我们是靠调节水位来控制平台是否可见的，但通常如果平台的高度可调的话，对于训练期增加可见平台实验的方案而言会省力很多。如果是专业的水迷宫设备，一般会在水池底部设置定点卡位，这样每次就能将平台放在固定的地方了。另外还有可以遥控平台高度的设备，更加方便实验者使用。此外，平台的放置位置也是有讲究的，不能太靠水池边缘，因为这样小鼠可能学会的是绕圈求生；也不能放得太靠水池中心，这样小鼠也不需要记住方位，只需要在水池中心很小的范围搜索一下就行了。如果非要选定一个方位，那么平台圆心的位置设定在2/3半径和1/2之间（即图3中的红色圆形和绿色圆形之间的环状地带）。图3. 平台摆放位置（120cm直径水池为例）这里需要注意的是，平台的直径增大，会造成迷宫的难度降低，反之则难度增加，个人推荐根据预实验的天花板效应或者地板效应确定，个人总结的标准比例是水池直径与平台直径之比大概是12.65左右，即水池的面积是平台面积的160倍。结合120cm直径水池的规格，平台应设置为9.5cm直径。此外，关于平台的放置还有以下值得注意的地方，那就是如果是在隐藏平台期，则平台顶部与水面的距离不应该超过1cm，因为如果平台与水面的距离过大，小鼠还是有大半身躯浸泡在水中，因此可能会离开平台去寻找更干燥的环境，不利于对平台的记忆；另外如果是在可见平台期，平台可以放在水面以上1cm左右，太低了可能不利于小鼠观察，太高则小鼠爬上平台会变得困难，如果希望能加快训练速度，还可以在平台上放上小旗子便于小鼠观察；检测期如果是进行多次的话，需要让小鼠在每个trail的最后能够抵达平台，但又不能小鼠还在水中游泳，实验人员当面就把平台放进去，所以只有自动化的水迷宫系统可以实现。标志物（Cue）标志物是动物进行空间定位的关键，所以相互之间的区分尤为重要。这些标志物可以放置在迷宫之外，也可以在迷宫之内，目的是让小鼠游泳时能看到。水迷宫内部的标志物一般直径15cm左右，而外部标志物则没有大小的限制。标志物的数量一般在三个或者三个以上，相互之间形状区分要显著。此外标志物在水池内部只需要10cm直径或者边长即可，而在外围的话则需要相应增大。此外小鼠对颜色并不敏感，对比强烈的形状，小鼠的区分能力更好，PS4手柄右侧的○□△×就是很好区分的形状，增加实心和空心的区别能大大增加小鼠对这些形状的辨识度。这些标志物的方位与象限对应起来，一般情况下我会以东南西北四个方位的简称（E, S, W, N）对四个方位进行命名，标志物也挂在或者贴在方向相应的位置，从此不再变动（当然有的实验设计非常严谨，会通过改变Cue的方位来确定动物是利用它们来定位的，而非其他如气味等方法），不过这里的名称仅仅是用于区分而已，并不需要与真实的方向相对应。图4 标志物的放置方式[1-4]视频采集系统和行为学分析系统视频采集系统的搭建需要根据具体的实验环境设置，需要注意的主要是反光和边缘畸变。反光的问题可以通过增加光源或者调整摄像头角度实现，边缘畸变则需要扩大拍摄范围，尽量使迷宫不处于边缘。好了，关于水迷宫的设备就介绍到这里，下篇文章我们将介绍水迷宫最典型的流程。赛业可为您提供用于阿尔茨海默症研究的基因编辑鼠，如有需要，欢迎联系我们，祝大家实验顺利~部分参考文献及图片来源：[1]https://nathanshock.barshop.uthscsa.e/integrated-physiology-aging-core/brainhealth/[2]https://physiologicalresearch.weebly.com/water-maze-test.html[3]https://www.sciencedirect.com/topics/immunology-and-microbiology/spatial-memory[4]https://neuropheno.douglas.mcgill.ca/room-equipment-reservation

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)

应激、焦虑和抑郁是密切相关的现象，大多数焦虑和抑郁患者都曾经历严重的心理应激事件。因此，应激事件被看作焦虑和抑郁的原因，或者至少是在遗传基础上的诱因，能够导致情绪障碍的产生。焦虑和抑郁动物模型就是将动物置于一系列应激性情境中（潜在的或实际的威胁，急性的或慢性的），使其产生情绪障碍，然后应用特定的手段来对行为和生理指标进行检测，从而探讨此情绪障碍的深入机制，以及鉴定和筛选抗焦虑药或抗抑郁药。1.1 焦虑动物模型焦虑是由预先知道但又不可避免的、即将发生的应激性事件引起的一种预期反应，以恐惧、担心、紧张等精神症状为主要表现，同时多伴有心悸、多汗、手脚发冷等植物神经功能紊乱，其核心症状为担忧。从进化的角度讲，动物所表现的防御反应是人类恐惧和焦虑反应的原始成分。因此，动物所表现的恐惧样反应与人类的焦虑反应是相似的，这就是焦虑动物模型的行为学基础。人类的焦虑反应主要表现为逃避现实、逃跑行为、警觉性提高，同样的行为反应也可在动物身上观察到。例如，当动物面临一种不熟悉的环境时，动物就会表现出一系列的行为和生理反应，包括探究行为的抑制、呆滞、逃走、心率加快、排尿、血浆皮质酮水平增加等。这些反应可看作动物面临危险情景时防御反应系统的激活。因此，通过科学比较可认为人类和动物具有相同的焦虑情绪状态。焦虑和抑郁 生物 学机制的研究已经获得了飞速发展，逐渐深入到分子和基因水平。但是，由于研究领域的自身特点，焦虑和抑郁动物模型的研究却发展相对缓慢。而且，在应用过程中研究者倾向于使用比较经典的动物模型，由此，这也限制了其发展。1.2 行为学检测方法目前常用的焦虑动物模型主要包括两类：一类是基于动物非条件化的模型，根据其行为特点又可分为探究行为模型和社会行为模型。探究行为模型主要包括比较经典的高架十字迷宫实验和旷场实验。高架十字迷宫测验将动物置于迷宫的中央区，然后在一定的时间内观察动物分别进入开臂和闭臂的时间和次数，由于开臂和外界相通，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，则动物会离开开臂退缩到闭臂中，反之则在开臂停留更多的时间，对开臂的探究次数也增多。旷场实验中，中心区域对动物来说是潜在的威胁情境，而外周区则相对安全，因此，如果动物的焦虑水平高则倾向于停留在外周区，反之，对中央区的探究次数及时间就会增加。利用相似的原理，Crawley 等人则利用动物对明亮地方具有天然的厌恶和好奇倾向建立了明- 暗箱实验，动物逃离明亮区域时间长则表示焦虑水平高。社会行为模型包括天敌暴露、社会隔离、母爱剥夺等。最初的天敌暴露模型一般是将动物暴露在对其生命具有强烈威胁性的另一动物面前，例如将大鼠暴露于猫或具有很强攻击能力的另一雄性大鼠前，则天敌会对动物进行猛烈的攻击，由此造成其焦虑水平提高。但这样的模型往往会造成躯体的创伤，此后研究发现只是将天敌或者将天敌的排泄物暴露于动物面前，而不进行躯体的攻击也能够造成很强烈的焦虑反应，因此，后来广泛采用可视天敌暴露和天敌气体暴露等模型。另一类焦虑模型是基于条件反射的模型，主要包括饮水冲突模型、条件性电击等。饮水冲突是将动物的饮水行为和不确定的电击结合起来，动物如果想满足饮水的需要就可能会受到电击的创伤，由此造成动物在饮水和避免电击之间的趋避冲突，产生焦虑反应。型号：XR-XY210而条件性电击模型中，将某种信号和电击随机结合起来，信号出现后可能会出现电击，也可能不出现电击，由此造成动物的期待性焦虑反应。这类模型在模拟人类的焦虑反应，预测抗焦虑药物方面是非常有效的，但其中不可避免的包含有电击这类物理应激的成分，使心理应激中躯体应激的比例增大，是其主要缺陷。此外还存在着众多有效的焦虑应激模型，林文娟等人最近建立的空瓶应激模型已经证明是一种有效的焦虑应激模型。经过几次固定时间的饮水学习之后，在饮水时间给予动物空瓶，能够诱发动物出现攻击，撕咬瓶子和笼子，频繁修饰等焦虑反应，同时还伴有肾上腺素、去甲肾上腺素以及皮质酮水平的升高，较好的模拟了人类焦虑的行为和生理反应。焦虑的动物模型中有些主要用来建立动物模型，而有些既可以建立模型也可以用来测量焦虑情绪的水平，不同的动物模型这两种作用的比例有所差别，其中天敌暴露、饮水冲突、社会隔离和母爱剥夺常用来建立焦虑动物模型，而高架十字迷宫和旷场实验则既可以建立模型也可测量焦虑反应。要想证明焦虑模型是否激发了动物的焦虑反应就应该寻找测量焦虑反应的途径和指标。通常利用动物对应激性或新异形事件的行为或生理反应来测量动物的焦虑反应。动物的这些厌恶性情境包括空旷的空间，明亮或者具有一定高度的地方，所有这些构成了利用探究测验测量动物焦虑反应的基础。经典的测量动物焦虑反应的方法是高架十字迷宫测验和旷场实验。这些新异的环境对动物来说具有潜在的生存威胁性。因此，激发了动物的探究性防御反应，通过探究行为来反映动物的焦虑情绪，是建立在陌生情景下动物的焦虑水平和探究行为的二因素理论之上的。主要行为观察指标包括：（1 ）探究行为的抑制，动物对开臂的探究次数减少，在开臂停留的时间减少，中央格的探究格数减少，动物对明亮的地方产生回避；（2 ）恐惧反应增加，动物的排尿、排便次数明显增加，频繁修饰；（3 ）社交行为减少，互嗅、互追的行为明显减少，动物倾向于逃避其它动物。

《改变心理学的40项研究》是心理学史上一部经典的科学实验合辑，由美国著名心理学教授罗杰.R.霍克编著。本书按照心理学的研究方向，分篇章介绍了40项心理学经典实验，都是近年来被心理学著作反复借鉴引用的实验经典。作者罗杰·霍克是美国门多西诺学院心理学教授，在心理学方面有多年的教学经验。在教学过程中，他发现大多数心理学教科书无法详细介绍作为学科基础的研究过程，于是筹备本书以填补教科书与科学研究之间的鸿沟。阅读本书，不仅能让人明白什么是科学的心理学，还能够为自己所从事的心理学工作找到依据，并能激发心理学的研究热情，促进更多新的、对实践有指导价值的研究出现。一、为什么人会“心想事成”？这是有科学道理的！心理学家罗森塔尔猜测，在小学教师得到学生某种信息时，他们或多或少会对学生潜能产生某种期望；这种期望会使他们无意识地可能会成功的学生行为表现给予鼓励和鞭策，使学生产生自我实现的预期，变得更加出色。他采取的验证方法是，在橡树学校工作人员配合下，对一至六年级学生进行了IQ测验，之后每位班主任得到一份名单，上面标注本学年里哪些学生最有发展潜力。学年结束后，计算每个学生的IQ变化程度，通过对实验组和控制组的变化差异检验测试是否存在期望效应。实验结果得到了两个重要发现：一是在正式实验环境中被证明了的期望效应，在非正式的现实生活情境中也起作用；二是在低年级中表现更明显，高年级几乎不存在。正如研究所猜测的，教师对学生行为的期望转化成了学生的自我实现预言。对高年级学生而言，这种自我实现预言并不明显，他们提出了如下解释：一是低年级而定可塑性一般比高年级儿童更强；二是小学低年级学生还未在老师的心目中形成牢固的印象。在教师把对学生表现的期望传递给学生时，他们在不经意间使用的微妙方式更能影响和带动低年级学生。低年级教师向学生传递期望的方式与高年级教师不同。正如中国人常说“心想事成”，西方人也有“自我实现”的提法。这项研究证明，教师的期望效应对学生的在校表现会产生长期的潜在影响。需要注意的是，教师可能带着有偏见的信息，对学生传达某种期望。二、人生快乐之道：控制力控制力是指你所拥有的、能够控制你自己的生活和事件的个人力量。如果一个人在自己的生活中丧失了对自己负责的能力，往往会引起不快，并危害身体状况。如何验证这一点？心理学家兰格和罗丁，与康涅狄格州的一个养老院合作，随机挑选两层楼，让住在两层的老人分布接受两种实验处理，四楼的老人接受了责任感提升的训练；另外的老人作为对照组。91名被试的年龄跨度为65岁到90岁。实验结果证明，选择的机会和个人的控制力能产生积极的作用。责任感提升的那组被试比对照组的被试感觉到了更多的快乐、也更富有活力，机敏程度高于对照组。这项研究的实际应用价值在于，通过让老人重新获得决策权和胜任感，一些因年老而引起的消极因素是可以被延缓、逆转或者防止的。这项研究结束后18个月，兰格和罗丁又返回去做进一步的调查跟踪，以了解责任感提升条件是否存在长期效应。护士对老人们的评估结果显示，责任感提升组的情况仍明显优于对照组。后续研究清楚的说明，人所拥有的控制力越多，其老年化过程就越快乐、越健康、越平稳。2003年的一项关于德国养老院的研究发现，知觉到的自由和个人选择的减少，可以作为抑郁症状的预测指标。可见，个人力量和控制力不仅影响着人的愉快心理，而且还影响人的健康，在绝大多数生活情境中，提高个人行为的选择程度的确是一个值得追求的人生目标。三、“这儿，谁是疯子？”人们经常谈到精神病人就色变，甚至对精神病医院都望而止步。但是也有人怀疑，人类能否真正确定一个人是否是精神病？观察者做出心理诊断的，究竟是病人本身具有的特征，还是病人所处的环境或场合。心理学家罗森汉招募了8名被试者来做假病人，他们的主要任务是将自己送进12所精神病医院，所有被试者被收入不同的医院，有7人被诊断为精神分裂症。假病人的住院时间从7天到52天不等，平均住院19天，没有一个假病人被医务人员识破。结果有利地证明了，在医院环境中，正常人不能从真正的精神病人中被鉴别出来，这是因为过于强大的精神病院环境影响了医务人员对个体行为的判断。医务人员倾向于忽略被人的环境压力，只注重与精神病特质相关的行为。罗森汉的研究震动了精神卫生专业领域，这个结果有两个关键因素：它表明在精神病院场合，心智健全不能从心智不全中鉴别出来；二是揭示了诊断标签的危险性。当精神病人被贴上诊断标签时，他们本人体验到怎样的感受？心理学家调查1300多名精神病人，经历的耻辱和被歧视是大多数被试者的报告。到目前为止，诊断精神病既是艺术又是科学，不废除标签的原因是：他们是有效治疗心理障碍的必要部分。四、抑郁也是能习得的！心理学家赛里格曼从一项有关学习的早期研究中发现，狗在一段时间受到既不能控制也无法逃脱的电击之后，即便逃离的机会唾手可得，狗也学不会逃走。他提出理论认为，动物在学习控制不愉快刺激的过程中存在着某些因素，这些因素决定了它后面的学习。他的实验方法是，准备24只杂交犬，分为三组，每组8只，一组是“可逃脱组”，另一组是“不可逃脱组”，第三组是“无束缚的控制组”。可逃脱组的狗受到电击后，可以通过挤压头部两边的按垫终止电击；不可逃脱组不能控制电击。可逃脱组和不可逃脱组的狗在90秒的时间里均接受了64次电击，可逃脱组很快学会了挤压旁边的鞍垫来终止电击。结果在64次电击的过程中，可逃脱组的狗用于挤压鞍垫并停止电击的时间迅速缩短，不可逃脱组的挤压鞍垫行为在30次尝试之后完全停止。可逃脱组的狗在箱中能正常学会新技能的原因，是它们在前一阶段已习得自己的行为与电击终止之间存在相关，不可逃脱组的一只狗在梭箱中做了一次逃脱，在下一次的实验中，又恢复到无助状态。这就是一种习得性无助。在后续研究中，心理学家发现，习得性无助导致的人类抑郁可产生比抑郁本身更严重的后果。一项研究发现，在过去的几年中，遭受丧偶、实业、失去威望等事件，都将增加一个人的癌症患病几率。人类对几亿光年外的恒星了解甚多，对于自己的内心，其实了解得很少，而且大部分要不是想当然的猜测，要不就是武断的哲学“思辨”。难得有这么一部小书，用无可置疑的实验的方式，来让人类认识自己的内心世界。所以，对心理学希望了解更多一些的人，可以认真读读这本书。

今天给老铁们介绍一个细思极恐的实验“25号宇宙实验”也称为“乌托邦实验”这个实验是由美国一位动物行为学教授设计的为了研究如果人类在一个没有疾病没有饥饿，没有贫富差距的世界里最终会发展成什么样子。1968年，实验者租了一个农场仓库在那里他搭建了一个足以容纳9500只老鼠居住地并且提供着老鼠们梦寐以求的食物、水、住所还有活动区域、适宜的温度及专人的保护可以说这就是老鼠们的“天堂”为了保证老鼠们都是健康实验者挑选了两对非常健康的小老鼠实验开始的时候老鼠的数量呈指数上涨老鼠数量达到2200只的时候开始慢慢下降结果不到5年时间25号宇宙的老鼠就全部死掉了实验结束，在此之间实验者记录到了老鼠们的一些奇怪行为例如老鼠们本来是单独行动后来出现群体行动例如一某些老鼠出现了心理问题，表现出木纳对什么都不感兴趣自己独自待着充满暴力，当有其它老鼠靠近时会拼命撕咬对方在求偶时不分雄雌最致命的一点是老鼠们的出生率低于死亡率就是说老鼠出现了老龄化并且对交配已经不感兴趣最终导致老鼠毁灭这种行为被实验者称为“行为沉沦”为什么会出现这种情况呢？实验得出结论：当老鼠的社交密度过大无法控制自己的社交范围社交时间和空间的时候就会出现沉沦现象这种现象是否也会出现在人类社会？我不得而知，不过看看我们现在的社会比如现在流行的男女平等，女权的崛起丁克一族，朋友圈化草食系男子，佛系青年比如经济发达的国家日本生活水平高，欲望低出生率不断降低，人口不断减少是一个老龄化非常严重的国家比如中国这几年出生率开始出现下降，老龄化人口增多政府出台“二孩”政策“25号宇宙”实验前面还有24个老铁们有兴趣可以自行搜索实验结果

乌托邦是只存在于人类想象中最美好的社会，美好、人人平等、没有压迫、就像是童话中的王国。01老鼠的都市1947年，一位动物行为学家“约翰.卡尔霍恩”，设计了一个“老鼠都市”，由此来研究人口密度不断增加后人类的生活会发生什么改变，这个老鼠城市可以容纳最多5000只老鼠，因为食物充足，没有天敌，这位科学家认为，老鼠应该很快就会达到这个老鼠都市的容纳上限。可是，故事并没有按照约翰设想的一样，在不用担心食物，并且没有危险和疾病的前提下，老鼠的种群数量居然一直无法增多，这个本应该能容纳5000只老鼠的完美都市中，老鼠数量从来没有超过150只，每当老鼠的数量达到150只的时候，这些老鼠就会自发性地进入一种奇怪的状态：不愿意繁殖，行为异常，把大量时间浪费在无意义的事情上。似乎在这个精心设计的“老鼠都市”中，有一双无形的手在阻止老鼠种群数量的增加，要知道这个老鼠之城建立在约翰家的后院中，占地足足有1.5亩，完全可以满足5000只老鼠的活动和生活需求，因此并不是封闭的空间导致活动不足让老鼠们出现了奇怪的现象，足足两年的时间，老鼠的数量一直保持在150以下，一旦接近150只就会急剧下降，甚至只剩下个位数的老鼠时，才会恢复正常。这个现象让科学家匪夷所思，并且造成这个现象的原因似乎和老鼠的数量和生存密度有很大的关系，这个现象是否会在人口密度不断增加的城市中出现？为此，约翰十分着迷，建立了一个又一个的老鼠都市，无一例外的是，这些看似完美的老鼠都市中，一旦老鼠的数量达到一定程度后，老鼠的种群数量就会急速下跌。约翰.卡尔霍恩，老鼠之都的创建者02“25”号宇宙的诞生随着研究的深入，老鼠之都越来越大，也越来越完美，但是老鼠的数量终究无法突破阈值，当时正处于二战结束后的经济蓬勃发展时期，人类正在进入城市化的阶段，有很多人担心，城市中密集的人口密度，是否会造成严重的后果。恰好，约翰的老鼠之都，对研究人口密度和数量的影响有很大的作用，“美国国家精神卫生署”为约翰的研究提供了大量的经费和试验场地。同时，约翰认为，造成这个现象的原因可能是外部环境造成的压力，导致老鼠产生焦虑。如果建设一个完美的“老鼠乌托邦”，一个封闭且完美的环境，是否就会让这个现象消失呢？25号宇宙，完美的老鼠乌托邦1968年，在卫生署的资助下，约翰成为了“老鼠乌托邦”的造物主，在一个农场的仓库中，一个长宽2.57米，高1.37米的乌托邦被建造了出来，在这个矩形的空间中，从最中间均匀地划分出了16个居住区域，在这些区域中，有独立的居住空间，独立的饮水和食物供给，并且整个仓库保证恒温，没有炎热也没有寒冷。这个“完美”的乌托邦被约翰称为，“25号宇宙”，对应曾经的24个失败的老鼠之都，约翰成为了这个宇宙的“上帝”，四公四母八只老鼠，成为了这个宇宙中的“亚当”和“夏娃”。03不完美的乌托邦没有疾病，没有天敌，充足的食物和饮水，这个乌托邦可以至少容纳3840只老鼠，当老鼠的数量到达9500只，食物才会供给不足，也就是说，这个“乌托邦”可以提供3840只老鼠完美的居住空间，超过这个数字才会出现居住拥挤，而这里的食物足够接近一万只的老鼠享用，这个老鼠乌托邦就像是一个翻版的人类都市，那么针对这个老鼠乌托邦进行研究，显然对未来人类人口爆发式增长后，出现的人类密度问题有很大的启示。但是，这个老鼠乌托邦并没有永久的存在下去，1780天后，1973年5月23日，最后一只老鼠死亡，完美的乌托邦迎来了终焉。04乌托邦的“崩溃”虽然这个老鼠乌托邦中，没有疾病也没有天敌，还有充足的食物和水，老鼠的种群数量仍然出现了很大的问题，没有出现我们想象中的“人口爆炸”，直到超出这个乌托邦的承载极限，而是和老鼠之都中发生的事情一样，当老鼠的数量达到一定数值后，就会快速减少，并且这个完美的乌托邦并没有和之前的实验一样，老鼠的种群数量还能再次增加，而是在1780天后所有老鼠全部死去。为什么没有疾病也不需要担心食物，生命还会灭绝呢？老鼠数量增长曲线如果达到极限，这个乌托邦可以承载将近10000只老鼠，可是在数量达到2000只时，这个都市却达到了极限，老鼠数量不再增加，甚至呈现出了下降趋势，究竟是什么导致了这个现象的出现呢？老鼠和人类一样，是“社会性”动物，并且老鼠的智商很高，人类的很多实验都在老鼠的身上进行。最初的8只老鼠在进入这个“乌托邦”后，并没有急着投入完美的幸福生活，而是在完全探索整个区域后，开始划分领地相互斗争，明确了各自的领地区域后，才开始繁殖。这个乌托邦远远没有我们想象的完美，即使有充足的食物和安全的环境，老鼠之间仍然存在斗争，它们会为了领地和繁殖斗争，并且会以家庭为单位形成一个个小团体，由此可见，完美的乌托邦是不存在的，生物之间的竞争是无法停止的，只有不断的竞争，才能促进生物的进化和生存。05崩溃的25号宇宙生物的欲望永远不会满足，因此完美的乌托邦是不可能存在的，在25号宇宙中，老鼠的数量不断增加，但是在达到2000只时，这个宇宙“满了”，当然，并不是字面意义上的满，而是对于这个乌托邦中的老鼠社会来说，社会阶级满了。在前文中我们已经提到，在野外生活的老鼠会以家庭为单位，形成一个个社会单位，这样的小型社会结构可以帮助生物在野外的竞争中更好地面对危险，年龄较大的老鼠的地位更高，因为它们的经验更多，更容易生存下来，每当年龄较大的老鼠死亡后，就会由其他的年幼老鼠顶替它的地位，而这样的家庭式社会结构，显然不能无限容纳新生的老鼠，因此当家庭成员足够后，新生的老鼠就会被赶出家门，去寻找并建立属于自己的家庭。反乌托邦电影插图如果在野外，这些新生的老鼠可以去寻找自己的梦想，但是在25号宇宙中，16个被划分好的居住地被占满，这些新生代的老鼠找不到自己的社会定位，没有家庭愿意收留它们，它们就像是不属于这个社会，不属于这个老鼠乌托邦一般，在这个“完美”的宇宙中迷失自我。随着时间的推移，这些新生代老鼠的行为越来越诡异，它们开始攻击同类，被攻击的一方甚至不会反抗，雌性老鼠不再依靠雄性，变的独立起来，雄性老鼠也不再繁殖，它们会寻找距离地面很远的地方生活，导致曾经的社会结构中负责保护领地的雄性越来越散漫，而雌性为了保护幼崽变得攻击性极强，频繁更换居住地，但是在这个过程中有大量的幼鼠被遗忘，最终这个老鼠乌托邦中的繁殖行为完全停止。随着老鼠数量的不断增加，新生代的老鼠无法寻找到自己在这个社会中的地位，甚至没有几乎建立自己的关系，每当它们想和同伴交流时，就会被其他忙碌的老鼠打断，最终导致这些老鼠抑郁寡欢，雄性失去了斗争和繁殖的欲望，而雌性更加独立且有攻击性，导致了这个社会的崩溃，这个实验让人细思极恐，人类的结局是否会和25号宇宙一样06人类社会是“26号宇宙”？有些人认为，人类社会和这个乌托邦中的老鼠社会十分相似，随着工业化和科技的进步，人类不需要担心危险和食物的问题，但是随着人口的增长，年前一代越来越难寻找到自己在社会中的定位，雄性失去了应有的斗争性，更多的新一代选择远离社会，在网络上徘徊。“平成废材”“三和大神”，在不经意之间，我们的社会正在重蹈覆辙，幸运的是，人类社会拥有无限的可能，浩瀚的宇宙都是我们的家园，还有无限的行星等待着我们探索……这个实验告诉我们最重要的或许就是，“乌托邦”并不完美，反而会给人类带来灾难。

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

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。