高维网络模型揭示自然情境下社会推理的复杂动态与文化多样性

本研究通过高维网络模型(SNM)突破了传统低维潜在构念模型(LFM)的局限，揭示了自然情境下社会推理的动态共现模式与文化差异。研究人员采用444段自然主义视频刺激和自由描述范式，在美、亚、欧三地样本(N=3041)中发现SNM能更精准捕捉社会推理间的独特关联(SRMR=0.007 vs 0.043)，并识别出从具象到抽象的推理动态演变规律。该成果为理解社会认知的复杂机制提供了新范式。

　　

人们每天都会根据面部特征等细微线索快速形成对他人的社会推理(social inferences)，这些判断影响着从选举投票到司法判决等重要决策。传统理论认为，这种复杂的社会认知过程可以用少数几个潜在维度（如温暖-能力二维模型）来解释，就像人类视觉仅需红绿蓝三原色就能混合出所有颜色感知。然而，随着研究发现的社会认知维度数量从2个激增至40个，这种"低维简化"的合理性正面临挑战——当人们用同属"温暖"维度的"热情"描述艺术家、"共情"描述医生时，实际传达的社会印象却截然不同。

加州大学圣地亚哥分校的Junsong Lu和Chujun Lin团队在《Communications Psychology》发表的研究，创新性地采用高维网络分析方法，通过两项预注册研究系统比较了两种心理表征模型。研究首先从10000段YouTube视频中筛选出444段最具多样性的人口统计学特征和多模态信息（视觉/听觉/叙事）的10秒片段，通过美国代表性样本(N=1598)的自由描述获取2926个社会推理词汇。研究团队运用稀疏网络建模(SNM)和探索性因子分析(EFA)等计算方法，发现网络模型能更准确地重建社会推理间的实际关联（标准化均方根残差SRMR=0.007 vs 0.043），并在亚洲(N=651)和欧洲样本(N=792)中验证了这一结论。

关键技术包括：(1)基于InsightFace和Py-Feat算法的多模态特征提取（2166个视觉/听觉/语言特征）；(2)最大变异抽样确保样本多样性；(3)BERTopic和TopicGPT双模型的主题建模；(4)基于Louvain算法的社区检测；(5)网络比较测试分析文化差异。所有视频来自First Impression数据集，通过云计算平台处理海量行为数据。

网络模型优于潜在构念模型
通过比较25维EFA模型与SNM模型的重建误差，发现网络模型显著更好地捕捉了社会推理间的复杂关联。可视化分析显示，SNM能保留原始数据中密集的连接模式，而EFA仅能解释部分关联。验证性网络分析证实SNM拟合良好（CFI=0.89，RMSEA=0.030）。

推理动态的时空演变
社区检测识别出7个稳定集群，如将"年轻"-"知识渊博"-"领导力"联系在一起的粉红色集群。时序分析揭示：观看初期（首帧画面）以"肌肉发达"等身体特征为核心；中期（5秒）增加"导师"等语言技能推理；后期（10秒）则涌现"高管"等抽象特质判断，证实了从具象到抽象的认知发展轨迹。

文化特异性网络连接
网络比较测试发现显著的区域差异：美国样本中"口音"-"外国人"的关联强度(r=0.44)显著高于亚洲样本；"英国"-"口音"的链接在欧洲样本更突出。词嵌入分析显示美国参与者使用的概念空间更分散（平均余弦相似度0.259 vs 亚洲0.270），可能反映其文化多样性。

这项研究颠覆了社会认知领域长期依赖的潜在构念范式，证明高维网络模型能更全面地捕捉自然情境下社会推理的复杂性。特别值得注意的是，传统认为分属不同维度（如"年轻"属青春维度、"领导力"属能力维度）的推理，在实际认知过程中会形成紧密网络连接。该方法为理解刻板印象的传播机制提供了新视角——正如作者强调的"美丽即好"(beauty-is-good)等效应可能源于某些核心节点（如外貌判断）在网络中的高中心性。研究还首次量化了社会推理网络的文化可塑性，为跨文化心理学提供了方法论创新。未来研究可将该框架拓展至个体差异分析，或结合神经影像学探索网络表征的神经基础。