《Computation》：Incremental Recall: An Efficient Method for Estimating Egocentric Network Density
Chad A. Davis and
Caimiao Liu
编辑推荐：
准确估算网络密度（Network Density）是自我中心社会网络分析（Egocentric Social Network Analysis）的核心，但现有基于调查的方法要求研究人员在准确性、受访者负担与系统性回忆偏差之间进行权衡。传统方法如固定名单提名者（
准确估算网络密度（Network Density）是自我中心社会网络分析（Egocentric Social Network Analysis）的核心，但现有基于调查的方法要求研究人员在准确性、受访者负担与系统性回忆偏差之间进行权衡。传统方法如固定名单提名者（Fixed-list Name Generator）往往过度代表显著性连带（Salient Ties）；较新的随机采样（Random Sampling）方法虽精度较好，却依赖穷尽自由回忆（Exhaustive Free Recall），认知负荷大且在应用研究中难以实施。本研究提出并评估了一种替代方案——增量回忆（Incremental Recall），即通过关系类别结构化引导Alter提名，以改善对不同强度连带的覆盖并降低受访者负担。研究人员利用涵盖逾900万个自我中心网络的大规模蒙特卡洛模拟（Monte Carlo Simulation），在多种网络规模、构成及回忆偏差假设下，将增量回忆与传统固定名单回忆及随机采样进行比较。结果表明，在无偏及中等偏差回忆条件下，增量回忆持续优于传统固定名单回忆，且表现等同或优于随机采样；即便受访者未能按设计提供指定数量的Alter，其优势依然存在。研究人员进一步使用103名参与者的实证自我中心网络数据验证发现，以观测网络作为近似真值（Proxy Ground Truth），实证结果紧密复现模拟模式，证实增量回忆在真实报告条件下的稳健性。研究发现增量回忆解决了自我中心社会网络研究中平衡可行性（Feasibility）与密度估计精度这一核心实践难题，在大幅降低受访者负担并简化施测的同时保持强性能，为以网络密度为若干测量指标之一的大规模调查研究人员提供了经实证验证的、免于穷尽回忆的实用替代方案，且对现实报告偏差具稳健性。
论文解读：Incremental Recall——一种估算自我中心网络密度的有效方法
研究背景与问题提出
自我中心社会网络（egocentric social network，以自我/ego为中心、与其直接相连的个体称为alters）分析中，网络密度（density，即alters间实际存在连线占所有可能连线之比例）是衡量网络凝聚力与连通性的核心结构指标，与规范执行、信息流通及社会支持动员等重要社会心理及行为结果密切相关。准确估计密度面临两大难题：一是需获知所有alter–alter连带，随网络规模增大呈指数级增长，对受访者认知负担极重；二是自陈网络存在系统性回忆偏差，受访者倾向于优先回忆并报告强连带（close ties/strong ties），弱连带（weak ties/acquaintances）易被遗忘（文献指出可达20% alters被遗漏且多为边缘连带），导致密度被高估（因强连带内部互联概率更高）。传统固定名单提名（fixed-list name generator，通常限5–10名alters）简便但系统性偏向强连带致密度高估；基于详尽自由回忆后再随机采样的随机采样法（random sampling from free recall）精度较高但要求穷举列举全网络alters，耗时耗力难在大规模问卷中推行；图形化或引导式回忆工具又需专门编程或设置。因此亟需一种兼顾精度、低受访者负担且易于问卷实施的方法。
针对此，Chad A. Davis和Caimiao Liu提出"增量回忆（Incremental Recall）"方法——类比分层抽样（stratified sampling），要求受访者从三个文献公认关系类别（密友close friends、普通朋友casual friends、泛泛之交acquaintances）中各提名少量alters（如每类≤3或≤4人，共9或12人），利用受访者主观关系分类确保跨连带强度覆盖，减少认知负荷同时控制偏向强连带之偏差。本文通过大规模模拟与实证数据检验其效度。
主要关键技术方法
研究人员采用两项互补研究设计：① Monte Carlo模拟——设定总alter数N=21/31/41/51/71/101/151，按九种强弱连带比例分配三类关系类别人数，按高低中三种intra-category（同类别alter–alter）与inter-category（跨类别alter–alter）连线概率生成500套独立网络/条件，共661,500个人口网络；在此基础上施加三种抽样策略（传统固定名单Cap-5/Cap-9/Cap-12、随机采样自无偏/75%截断/50%截断自由回忆后取10人、增量回忆Incremental-3每类≤3人共9人/Incremental-4每类≤4人共12人，各含无偏/类别内偏好性回忆/先截断再分类三种偏差变体），计算样本子图密度并与真值比较，指标为相对偏差（Relative Bias = (??D)/D）及均方误差（Mean Squared Error, MSE）；② 实证验证——招募103名大学生通过六条结构化社交提示（鼓励弱连带回忆）不限上限列报最多100名alters并自行归类为三类关系，再对所列alters两两报告是否相识得完整邻接矩阵作近似真值，随后在同批网络上施加上述各抽样法计算偏差与MSE比对模拟结果。
研究结果
3.1. 模拟（Simulation）
研究人员在9,261,000个模拟抽样网络上比较各方法表现。结果显示：无偏回忆下Incremental-4（每类4人，共12人）MSE最小、性能最优，其次为Incremental-3与随机采样（二者相当）；引入偏好性回忆（各类别内优先选度数最高alter）或75%截断（仅前75%高degree alters可忆）后，Incremental-4仍最佳，Incremental-3与随机采样表现相近且优于传统固定名单；传统固定名单即便扩至Cap-12仍存在显著正向相对偏差（中位数相对偏差58%，均值68%），严重高估密度。仅在极端50%截断下因召回alters总数常不足增量回忆所需配额（Incremental-4仅6%、Incremental-3仅9%网络满足采样数），但若限定仅保留成功完成全额采样的网络重算，增量回忆表现回升并超越其他法，且即便未达配额时用全部可用信息计算之聚合表现仍较强。表明增量回忆对不完全提名具鲁棒性。
3.2. 实证结果（Empirical Results）
以103例实测网络为近似真值，无偏条件下Incremental-4与随机采样均得近零相对偏差及最低MSE，Incremental-3略高MSE但可比；引入75%与50%截断偏差后，Incremental-3与Incremental-4之偏差与MSE均低于同条件下随机采样。传统固定名单（Cap-12）虽点估计接近顶级无偏法但方差剧增，说明受提名偶发性强导致不稳定估计。实证模式与模拟高度吻合，验证增量回忆在真实报告偏差下的稳健性。
讨论与结论总结（翻译并浓缩结论部分）
研究人员指出，作为自我中心网络核心结构属性，密度广泛关联社会支持、信息流动与主观福祉，但可靠测量长期需在精度、受访者负担及回忆偏差间权衡。本研究表明增量回忆提供稳健的密度估计途径：Incremental-4（每关系类别提名最多4名alter，共12名）在无偏条件下表现最优，且该优势在受限回忆（遗漏边缘连带）及偏好性回忆（优先高互联alter）等偏差场景下持续；Incremental-3（每类最多3名，共9名）频繁等同于随机采样（后者需先穷举自由列举后随机取10人），某些偏差条件下甚至优于随机采样。增量回忆在受访者无法按设计填满某类别提名时（如因网络极端构成或部分回忆失败）仍优于传统固定名单且至少不差于随机采样，Incremental-4往往最准，证明其对稀疏类别或非完全填报具鲁棒性。唯极端50%截断（超保守压力测试，现实中罕见）致多数网络无法满足采样配额，此情形下各法均劣且非增量回忆特有缺陷。综上，尽管无自我中心网络方法完全免疫回忆偏差，增量回忆在准确性与可行性间提供尤为有利的权衡——对欲于大规模或多指标问卷中获取可靠网络密度之研究人员，该法减轻受访者负担并对现实回忆局限保持稳健，是经实证验证且免予穷尽自由回忆之实用替代方案。本文发表于《Computation》。
