《Frontiers in Psychology》：Bounded personality diversity boosts collective intelligence: a swarm optimization approach
编辑推荐：
引言：本研究首次对边界多样性优势理论（Bounded Diversity Advantage Theory, BDAT）进行了计算测试，该理论认为有界的人格多样性会增强涌现的集体问题解决能力，使用粒子群优化（Particle Swarm Optimizatio
引言：本研究首次对边界多样性优势理论（Bounded Diversity Advantage Theory, BDAT）进行了计算测试，该理论认为有界的人格多样性会增强涌现的集体问题解决能力，使用粒子群优化（Particle Swarm Optimization, PSO）测试平台。方法：当前的PSO实例化包括一种新颖的监测方法来量化群体一致动态。聚焦于类似责任心的行为，通过自适应惯性在群体智能体中被操作化为勤奋和坚持，比较了六种多样和非多样群体组成在11个二维数学搜索函数上的表现。群体结果使用性能效率得分（Performance Efficiency Score, PES）评估，该得分平衡了误差（适应度）和迭代次数（时间）。结果：多样组成优于非多样组成，与当前对BDAT关于有界多样性和过早闭合的预测的操作化一致。在第一个收敛阈值（50%）处监测极化群体中的不对称性进一步表明，高度勤奋的智能体不成比例地推动了早期收敛，而低勤奋的智能体保持更多的探索性，这一过程模式也与BDAT预测一致。讨论：这些发现表明PSO可以作为检查某些BDAT机制的有用计算测试平台，而BDAT的更广泛验证需要进一步研究。这些发现连接了人格心理学、群体过程和进化视角，提供了一个框架来探索人格多样性如何促进集体智能。
**研究背景与问题**
集体智能（collective intelligence, CI）是指群体在解决问题或做出决策时涌现出的能力，常超越个体单独所能达到的水平，其基础过程被称为集体认知（collective cognition）。群体智能（swarm intelligence）作为集体认知的机制性子集，源于去中心化智能体交互与信息共享，无需集中控制或全局知识。然而，影响群体智能的关键因素尚不明确。Pringle 和 Robinson（2024）提出了有界多样性优势理论（Bounded Diversity Advantage Theory, BDAT），认为人格特质（如大五人格）中的有界多样性（即群体内一定程度的差异）可促进信息共享与收敛动态，从而改善集体表现。BDAT整合了人格心理学、进化心理学（从社会生物与社会文化双继承视角）、群体过程研究与集体智能文献，将基因-文化共进化作为规范与群体功能的主要进化框架。但该理论此前缺乏计算层面的实证检验。为填补这一空白，研究人员利用粒子群优化（Particle Swarm Optimization, PSO）测试平台，对BDAT的核心预测进行初步计算测试，重点考察责任心（conscientiousness）类似行为的多样性如何影响群体的问题解决效率。该研究发表在《Frontiers in Psychology》。
**研究内容与结论**
研究人员通过构建新型PSO变体，将责任心类似行为操作化为勤奋/坚持（industriousness/persistence），利用自适应惯性（adaptive inertia）参数实现智能体行为差异，并比较了六种群体组成（高、中、低、极化、混合、混合-U）在11个二维数学搜索函数上的表现。结果表明，多样组成（混合、混合-U、极化）在性能效率得分（Performance Efficiency Score, PES）上显著优于非多样组成（高、中、低），支持了BDAT关于有界多样性可缓解过早闭合（premature closure）并提升集体智能的预测。此外，在极化群体中，高勤奋（high-Ci）智能体在50%收敛阈值时主导了早期收敛，而低勤奋（low-Ci）智能体则延长了探索阶段，这进一步验证了BDAT的过程机制。该研究为BDAT提供了计算层面的初步支持，并展示了PSO作为测试群体认知与智能机制的有效工具，连接了人格心理学、群体过程与进化视角。
**主要关键技术方法**
研究采用基于Python 3.12、PyCharm Community Edition 2024.2和PySwarms库的PSO变体，以50个智能体在二维搜索空间中运行。核心创新包括： (1) 通过自适应惯性操作化责任心类似行为，高勤奋智能体保持恒定惯性ω=0.6，低勤奋智能体根据坡度动态调整ω（±0.3），中勤奋调整±0.15；(2) 引入收敛区域监测（半径0.01），记录智能体聚集于全局最佳（gBest）的比例，模拟群体一致（agreement）动态，并设置50%、66%、90%、100%四个收敛阈值；(3) 创建性能效率得分（PES），对误差（error）和迭代次数（ticks）进行z评分后平均，以平衡速度与精度。实验在11个搜索函数（如Ackley、Beale、Rastrigin等）上各运行100次模拟，每次最多2000次迭代。数据通过非参数符号检验和相关分析进行处理。
**研究结果**
**总体表现支持BDAT**
将PES均值跨阈值和函数汇总后，多样组成（混合-U：-0.43，混合：-0.33，极化：-0.10）均呈现负z得分（表示更优），而非多样组成（低：0.65，中：0.02，高：0.19）均呈正z得分，表明多样组性能更优，这通过符号检验（14/15的成对比较显著）得到证实。
**速度与误差的分离效应**
BDAT预测高勤奋组收敛快但误差高，低勤奋组收敛慢但误差低。结果符合预期：高组迭代次数最少（z=-1.01）但误差最大（z=1.39），低组迭代次数最多（z=1.88）但误差较小（z=-0.59），中组位于中间。混合组实现了误差与速度的最优平衡。
**成对比较的显著差异**
在44个函数×阈值组合中，混合-U组在所有对比中表现最佳：与混合组相比PES有39/44次更优（χ2=26.27，p<0.001），与极化组38/44次（χ2=23.27，p<0.001），明显优于非多样组。非多样组之间也存在显著差异，但方向始终符合BDAT排序。
**极化组中高Ci与低Ci的不对称性**
在极化组（50%高Ci，50%低Ci）的50%收敛阈值下，计算收敛区域内的高Ci与低Ci智能体数量。平均约22个高Ci（期望12.5）和约3个低Ci（期望12.5），χ2=14.44，p<0.001，表明高Ci智能体更快驱动收敛，而低Ci智能体保持探索。
**BDAT排名与性能的相关性**
BDAT对迭代次数、误差和PES分别给出了理论排名顺序。迭代次数排名与均值的相关系数r=0.93（p<0.001），误差排名r=0.93（p=0.009），PES排名r=0.91（p=0.013），验证了理论预测的准确性。
**讨论与结论**
讨论部分指出，研究结果支持了BDAT的核心观点，即责任心类似行为的有界多样性可提升集体智能。多样组成在PES上表现更优，非多样组成易走向极端（如高勤奋组快速但高误差，低勤奋组缓慢但低误差）。通过极化组分析，揭示了高勤奋智能体推动收敛、低勤奋智能体延长探索的机制，这与BDAT关于过早闭合的论述一致。研究还讨论了搜索函数作为问题/解决拓扑的意义：在复杂函数（如Rastrigin）中多样组优势更明显，在简单函数（如Sphere）中高勤奋组表现最佳，说明环境复杂性调节了多样性效益。研究贡献包括：将PSO扩展为计算社会科学工具，引入收敛监测和PES指标，并连接了人格心理学、群体过程与进化视角。结论部分（翻译）：当前结果有力地支持了如下观点：人格（即智能体偏好与行为中的个体差异）的有界多样性可以提升群体智能，此处以集体问题解决性能（速度与精度在一致阈值下的表现）衡量。尽管这些结果本身并未完全验证BDAT（Pringle and Robinson, 2024）的全理论范围，但它们表明该理论足够可处理，能够生成可计算检验的预测，因此值得在替代操作化和人类群体情境中进一步考察。这些结果也促进了人格、进化与群体相关视角的整合，为进一步研究人格多样性在集体智能中的作用奠定了基础。
