交互神经网络社会中的道德基础

道德基础理论支持这样一种观点：跨文化的人群在基于道德对问题进行分类时，倾向于考虑少数几个维度。数据还表明，赋予每个道德维度的权重统计量与自我申报的政治倾向相关，而最近的神经科学和心理学文献已将这种政治倾向与认知学习风格联系起来。受这些数据的启发，我们提出了一种简单的统计力学模型，该模型包含交互的神经网络，用于对向量进行分类，并从其社会邻域成员那里学习关于大量问题的平均观点。学习的目的是即使在存在分歧的情况下也能减少代理人之间的异议。我们考虑了一族由参数 \delta 参数化的学习算法，该参数代表了对证实性（同号）意见的重视程度。我们定义了一个序参量，用于量化具有同质学习风格的群体中意见的多样性。利用蒙特卡洛模拟和平均场近似，我们发现了序参量与学习参数 \delta 之间的关系，其中温度被关联为特定群体中社会影响的重要性。与数据一致的是，更强烈依赖证实性证据的群体维持的意见多样性较少。我们讨论了模型的预测并提出了可能的实验检验。