社会学习与道德决策

社会学习通过影响主观估值动态地塑造道德决策

Julien Benistant, Valentin Guigon, Alain Nicolas, Edmund Derrington, Jean-Claude Dreher

摘要

观察不道德行为（immoral behavior）会通过社会影响和学习过程增加个人的不诚实行为。这种道德传染背后的神经计算机制仍不清楚。我们测试了不同的机制假说来解释道德传染。我们使用了基于模型的fMRI和一个新的作弊游戏，在该游戏中，参与者依次处于诚实和不诚实的社会规范环境中。参与者的作弊行为在不诚实规范环境中增加，但在诚实规范环境中保持不变。解释行为的最佳模型表明，参与者的估值通过习得他人作弊而受到动态偏差。在群体水平上，这种估值偏差并未由任何特定脑区编码。相反，这种神经信号取决于个体在从众性上的差异，并涉及双侧外侧前额叶皮层。在学习过程中，对他人作弊行为的模拟编码在后颞上沟中。总之，这些发现提供了对关于他人不诚实行为的学习如何偏差个体对作弊的估值但不改变其已有偏好的机制理解。

缩写：BMS（Bayesian Model Selection），贝叶斯模型选择；BPL（Bayesian Preference Learning），贝叶斯偏好学习；dACC（dorsal anterior cingulate cortex），背侧前扣带皮层；dlPFC（dorsolateral prefrontal cortex），背外侧前额叶皮层；fMRI（func tional magnetic resonance imaging），功能性磁共振成像；FEW（family-wise error），族系误差；GLM（general linear model），一般线性模型；IPFC（Lateral Prefrontal Cortex），外侧前额叶皮层；IPS（Inferior Parietal Sulcus），顶叶内沟；ITI（inter-trial interval），试次间间隔；MNI（Montreal Neurological Institute），蒙特利尔神经学研究所；pEP（protected exceedance probability），受保护超出概率；PS（Preferences Shift），偏好转移；pSTS（posterior superior temporal sulcus），后颞上沟；TPJ（Temporo-Parietal Junction），颞顶联合区；rdlPFC（right dorsolateral Prefrontal Cortex），右侧背外侧前额叶皮层；rTPJ（right temporo-parietal junction），右侧颞顶联合区；VB（Valuation Bias），估值偏差。

引言

不诚实行为，如作弊、逃税和腐败，在现代社会中普遍存在。不诚实行为可以通过暴露于他人的不道德行为而改变[1,2]。例如，观察他人不诚实行为会增加个人作弊的可能性[2]。他人行为对我们自身选择的影响不仅限于不诚实，还可以在风险相关决策[3-8]以及亲社会和反社会行为[9-12]等领域观察到。为什么以及如何观察他人的不诚实行为会在非策略性环境中改变我们自身的道德行为，仍然是一个持久之谜。越来越多的文献强调了神经计算方法对于理解社会信息、道德偏好和价值计算如何相互作用以塑造人类行为的重要性。特别是，最近的研究已经涉及特定脑区在道德决策中的作用，并描述了潜在的神经计算[13-21]。然而，关于社会影响如何改变道德决策的神经计算机制，我们所知甚少。

目前尚不清楚社会影响是塑造个人信念，还是因为反映社会规范遵从的行为并不是私人信念的完美代理。迄今为止，已提出两种机制来解释社会影响如何影响个人的选择。第一种称为估值偏差（valuation bias），提出个体赋予社会信息以价值，这随后影响他们的个人估值过程。这意味着仅仅暴露于他人的选择就会改变个体如何看待所涉选项的价值，并潜在地影响其自身选择[3,4,22,23]。第二种机制称为偏好转移（preference shif），提出暴露于他人的选择可以更根本地改变个体自身的偏好，以与他人的选择保持一致。这种机制意味着个人偏好发生更深刻的变化，并假设个体变得与其社会环境中的人更加相似[5-8]。这两种模型在关于决策过程如何受到影响的假设上有所不同。根据估值偏差模型，个体赋予社会信息（如他人的选择）以价值，而这种附加价值使个体偏向于他人的选择[3,4,22]。相反，在偏好转移模型中，个体自身的偏好本身被改变。根据后一种模型，个体偏好可以被定义为赋予选择不同组成部分（如金钱收益、对他人的后果或行为的道德性）的权重。因此，个体偏好在计算决策价值时对选择的每个组成部分进行加权[22]。在这种情况下，导致社会影响的不是社会信息的价值，而是个体自身偏好向他人偏好的收敛[5-8]。

先前关于社会影响的这两种解释的一个重要局限性是它们没有考虑学习的动态方面。例如，在具有特定规范的新社会环境中（如一个人刚到一家新公司时），人们通常缺乏关于他人行为倾向的知识，包括他们是倾向于诚实还是不诚实。因此，在这种新环境中，通过反复观察他人行为进行学习对于减少关于他人真实（不）诚实水平的不确定性是必要的。在新环境中学习社会规范对于不诚实行为尤其重要，因为其隐蔽性使得准确观察变得具有挑战性。因此，社会学习成分很可能调节估值偏差或偏好转移，以调整这些机制在个体了解他人诚实水平时的权重。

在这里，我们测试了关于他人行为如何影响个人自身作弊行为的不同理论解释。我们考虑了四种社会影响机制：固定或动态估值偏差，以及固定或动态的个人偏好变化（图1）。首先，我们评估哪种计算模型最能解释作弊行为中的社会影响。其次，我们揭示了当面临作弊机会时，社会影响的不同计算信号在大脑中的编码位置。重要的是，上述不同的解释预测作弊行为中社会影响的不同神经机制。根据前两种假说（固定估值偏差和固定偏好转移假说），行为和大脑活动不应随时间发生改变，因为它们没有考虑学习他人行为会动态地影响过程。相比之下，动态估值偏差和动态偏好转移假说确实预测了这种变化。

支持社会影响中这种动态变化的一个脑区是背外侧前额叶皮层（dorsolateral prefrontal cortex，dlPFC），因为它在行为传染期间表征他人的风险偏好[6]。此外，dlPFC的活动与决策过程中社会规范和道德偏好的整合相关[16,24-26]，神经影像研究一致表明dlPFC参与不诚实选择[27-29]。右侧颞顶联合区（right temporo-parietal junction，rTPJ）和后颞上沟（posterior superior temporal sulcus，pSTS）等区域也是支持他人行为动态整合的良好候选者。事实上，rTPJ和pSTS都是追踪和整合他人偏好的核心区域[30]，并且有证据表明rTPJ编码社会选择所必需的他人意图[31-34]。

除了测试的机制解释外，我们还考虑了个体间差异可能影响社会信息如何影响作弊行为。个体在从众倾向和内在诚实性方面存在显著差异，先前的研究表明这种个体间差异系统性地影响社会信息如何被整合到决策中[6,35]，也影响道德权衡如何被解决[16,27]。因此，我们进一步假设，被测试的计算模型所捕获的动态社会影响机制会因个体的从众倾向而异，并且它们的个体参数会与决策过程中的大脑活动相关联。

我们使用了功能性磁共振成像（fMRI）和基于作弊游戏的新范式。该游戏包含两种试次类型：（i）独立试次，参与者可以谎报骰子结果以最大化其收益；（ii）预测试次，参与者预测从10人组中随机选出的另一名个体在先前实验环节中报告了什么。独立试次的目的是评估参与者作弊的倾向程度。预测试次的目的是让参与者接触他人的行为，并让他们了解一个群体的偏好。在参与者不知情的情况下，群体的行为被模拟和控制，使参与者面对一个不诚实或一个诚实的玩家群体。通过这种操作，我们评估了两种不同情境下社会影响的效果。这两种情境已被证明会导致不同程度的从众，因为反社会和不诚实行为似乎比亲社会行为更具传染性[11,36,37]。实验分为三个组块。第一个组块由独立试次组成，允许我们在没有社会影响的情况下估计参与者的偏好。第二个和第三个组块由交替的预测和独立试次组成。在这两个组块中，参与者的预测分别涉及一个诚实或一个不诚实的参与者群体。这种新颖的设计逐步将参与者暴露于他人的行为，使我们能够测试估值偏差和偏好转移机制的固定与动态解释。

结果

实验设计

我们使用fMRI扫描了32名参与者，同时他们进行作弊游戏，该游戏包括两种试次类型：独立和预测（图2A）。独立试次要求参与者观察骰子结果（"刺激"）。然后，向参与者呈现两个骰子（"选择"），一个显示原始骰子结果，另一个显示不准确的骰子结果。每个骰子与不同的收益相关联。值得注意的是，准确的骰子总是提供比不准确的骰子更低的收益，这给参与者呈现了一个诚实与收益最大化之间的道德困境。为了调节这些困境的难度，收益在试次间变化。参与者有任意多的时间来选择报告哪个骰子结果。一旦他们做出选择，屏幕冻结500毫秒（"确认"）。没有提供指示他们选择的视觉反馈，以强化决策是私下做出的感觉（详见方法）。

"预测"试次与独立试次相似，但要求参与者预测另一个人是否会在类似情况下准确报告其骰子结果。参与者被告知，在每个试次中，从10名匿名人士（他们之前已完成该任务）中随机选择一个人。实际上，群体的行为是计算机模拟的，这允许对他们的作弊行为进行受控操作。参与者的预测在抖动的"确认"阶段以红色高亮显示。最后，在每个预测试次结束时，通过以绿色高亮正确答案向参与者提供反馈。准确的预测获得奖励，而不准确的预测则没有（详见方法）。

实验包括三个组块：一个50个独立试次的基线组块，用于辨别没有社会影响下的个体偏好，以及两个后续组块，每个组块包含50个独立试次和50个预测试次，以交替方式呈现（图2B）。这种顺序安排旨在逐步将参与者暴露于他人的行为，以测试关于他人（不）诚实的学习如何影响参与者在独立试次中的自身决策。在这两个组块中，一个组块以不诚实群体为特征（不诚实群体条件），而另一个以诚实群体为特征（诚实群体条件，见方法和S1表）。后两个组块的呈现顺序在参与者间随机分配。

在最初的32名参与者中，一名因持续作弊且不相信他们在预测真实人的决策而被排除在所有分析之外。此外，由于在基线独立试次中总是作弊或总是诚实，另外三名参与者被排除在基于模型的分析之外（见方法）。参与者的指导和事后问卷的翻译版本可在补充信息中获取。

社会影响的行为效应

在基线条件下，参与者在55.3%的独立试次中作弊。他们在不诚实群体条件下的独立试次中作弊率为69.6%，在诚实群体条件下的独立试次中作弊率为60%（图2C）。为了测试各条件之间的差异，我们使用混合效应逻辑回归分析参与者在给定试次中是否作弊，自变量包括：编码条件（1：基线，2：不诚实群体，3：诚实群体）的分类变量；编码不诚实群体条件呈现顺序的二元变量（1：第一，0：第二）；编码每个组块内试次编号的变量；编码作弊与诚实收益之差的变量；以及编码作弊选项骰子值与诚实选项骰子值之绝对差的变量。我们还添加了人口统计学变量，如参与者的性别、年龄和职业（即是否为学生）。本文报告的所有回归均使用相同的自变量，除非另有说明。

参与者在不诚实群体条件下作弊的可能性显著高于任何其他条件（图2C，边际对比不诚实 > 基线：0.148 ± 0.037，z = 4.04，p 诚实：0.101 ± 0.027，z = 3.72，p = 0.001，Bonferroni校正进行3次比较；见S2表中的模型1）。诚实群体条件与基线之间的作弊行为没有显著差异（边际对比诚实 > 基线：0.047 ± 0.025，z = 1.90，p = 0.170，Bonferroni校正进行3次比较）。

为确保观察到的差异可归因于群体的实际行为，而非他们对诚实和不诚实群体行为学习表现的差异，我们首先测试了参与者的预测准确率是否超过随机水平。参与者的准确率确实显著高于两个条件下50%的随机水平（Wilcoxon符号秩检验，不诚实和诚实群体条件分别为z = 4.87和4.49，两组p均 诚实：0.540 ± 0.033，z = 16.2，p 诚实：0.179 ± 0.022，z = 8.20，p

接下来，我们检查了暴露顺序是否影响作弊行为或预测准确率。我们加入了一个指示参与者首先暴露于不诚实还是诚实群体条件的回归变量。在S2表的模型1中，该回归变量不显著，表明作弊行为不受呈现顺序的影响（边际对比不诚实群体条件优先 = -0.067 ± 0.100，z = -0.67，p = 0.503）。此外，在S2表的模型2中，该回归变量为负且显著，表明当参与者从不诚实群体条件开始时，总体预测准确率更高（边际对比不诚实群体条件优先 = -0.045 ± 0.018，z = -2.52，p = 0.012）。这可能是因为在诚实群体条件下预测他人作弊行为更为困难，这可能对参与者预测不诚实群体条件行为的能力产生了溢出效应。

社会影响的计算模型

我们分析社会影响的计算方法包括两个组成部分：社会学习成分和社会影响成分。社会学习成分解释参与者如何预测他人的作弊行为并更新自己对他人偏好的信念。社会影响成分反映参与者如何基于自身偏好以及他们所学到的他人作弊行为如何影响他们来决定是否作弊。为了简化候选模型之间的选择过程，我们使用了基于群体水平随机效应贝叶斯模型选择的三步选择程序[38]。我们首先定义了在固定道德成本和可变道德成本中，哪种效用函数最能描述参与者在诚实和不诚实选项之间的选择。随后，我们确定了最能解释参与者在第2和第3组块中预测的拟合最佳学习模型。最后，我们对代表不同社会影响机制的四个候选模型进行了模型选择。下面，我们更详细地描述每个步骤。

效用函数模型选择。 首先，我们使用了参与者在所有三个组块中决定作弊（即选择不诚实选项）的数据。先前的研究表明，基于诚实的选择可以用两种效用函数来描述。第一种效用函数（固定成本）假设个体在作弊时承受固定的道德成本[39,40]。第二种效用函数（可变成本）假设不诚实的成本取决于与之相关的绝对收益[29]（见方法SI）。我们考虑了参与者始终只使用这两种效用函数之一（仅固定成本或仅可变成本）的极端情况，以及他们在某些组块使用一种效用函数而在不同组块使用另一种效用函数的情况（混合变体）。模型选择的结果表明，具有固定作弊道德成本的效用函数最能解释参与者在所有组块中的作弊行为（受保护超出概率（pEP）= 0.999，S1B图）。

社会学习模型选择。 接下来，我们评估了哪种模型最能解释参与者在诚实和不诚实群体条件下预测试次中的社会学习行为。我们测试了源自贝叶斯偏好学习（BPL）模型[41]的各种候选模型。这些模型假设参与者从关于他人偏好的正态分布先验开始，这允许参与者在预测试次中预测他人选择时推断作弊的可能性。在反馈后，将预测与实际行为进行比较的预测误差会细化他人偏好的后验分布。在BPL模型内，我们考虑了三种先验类型，每种代表不同的学习偏差。第一种涉及参与者使用自己的偏好作为两种条件下的先验，这一过程称为自我投射（BPL-Self）。第二种利用参与者的先验基于自身偏好用于初始群体条件，以及基于前一群体习得的偏好用于后续群体条件（BPL-Others）。这捕捉了先前学习的持续性。最后，第三种模型结合了前两种先验类型的方面。在学习第二群体行为时，参与者将自己的偏好与关于前一群体习得的偏好相结合（BPL-SelfOthers）。此外，我们研究了参与者是否根据前述效用函数推断他人的偏好。具体来说，参与者可能认为他人的决策与用于模拟他人行为的效用函数（作弊的可变成本，[29]）一致，或者他们可能考虑自己用于自身决策的效用函数（作弊的固定成本）（[39,40]；见方法）。我们发现，具有自我投射（BPL-Self）和固定作弊道德成本效用函数的BPL模型最能解释我们参与者的预测（pEP: 0.986，S1C图）。

社会影响模型选择。 最后，我们进行了最能解释实验中社会影响的模型的选择。我们探讨了两种假说，每种以不同方式描述社会影响：一种是固定现象，独立于参与者关于他人作弊行为的学习；另一种是动态和习得的现象，与参与者对他人行为的理解相互关联。

对于固定假说，我们评估了两个模型。第一个假设社会影响源于个体偏好的转移（偏好转移，PSFixed[5,6,12,42]）。第二个提出社会影响源于估值过程中的偏差（估值偏差，VBFixed[3,4,22]）。对于动态假说，我们检查了这些模型的变体，其中影响与参与者在试次间学到的他人作弊倾向相关。因此，在PSDynamic模型中，偏好变化被假设为参与者自身偏好与在特定时间推断的他人偏好的加权平均（PSDynamic模型）。这个加权平均由两个不同的自由参数γA和γD控制，分别对应他人效用函数的每个参数（α参数对应γA，δ参数对应γD）。它们特定于每个群体条件，指示参与者的从众水平。对于VBDynamic模型，我们考虑了参与者在选择模型中的决策价值由他人作弊（或诚实）的概率调制，该概率是在不诚实群体（诚实群体）条件的特定独立试次中，由BPL Self模型计算的（VBDynamic模型）。参数γ调整该概率并代表参与者对他人行为的从众程度。该参数在每种群体条件下为每个参与者单独估计。

总共，我们测试了四个模型（图1提供了图形摘要）。贝叶斯模型选择显示，VBDynamic模型在我们的样本中是最常被选为最佳拟合的模型（pEP = 0.899；图3A，其他指标见S1A图，其他候选模型见S1D图）。作为稳健性检验，我们对四个模型进行了模型恢复分析，并对VBDynamic模型进行了参数恢复分析（S2A、S2B和S3A图）。我们还对两种效用函数（固定和可变成本）进行了类似的分析（S2C、S2D和S3B图）。

然后我们探讨了获胜的VBDynamic模型的估计参数。首先，参数α（均值：0.235 ± 0.021，Wilcoxon符号秩检验，z = 4.86，p

其次，我们观察到从不诚实群体条件中的从众参数γ显著高于诚实群体条件（双尾秩和检验，z = 3.45，p

第三，关于他人偏好的学习，我们发现参与者估计的他人作弊预测概率收敛于每个群体的平均模拟作弊概率（图3C）。我们还发现动态估值偏差收敛于不诚实（诚实）群体条件的平均作弊（诚实）概率（图4C）。

形式上，学习到的α参数在不诚实群体中显著高于诚实群体（平均α，不诚实群体：0.437，诚实群体：0.090，双尾秩和检验，z = 4.78，p

最后，我们还检查了拟合参数之间的两两相关性（S4E图）。该分析揭示了β和δ之间的负相关，表明具有更强道德成本的参与者往往在其选择中表现出更少的随机性。我们还观察到γD和γH之间的负相关，表明对不诚实群体从众更强的参与者往往对诚实群体从众较少。我们还进行了稳健性检验。作为最终的稳健性检验，我们检查了参与者关于任务中作弊道德信念变化的明确报告是否影响行为和计算结果。基于事后问卷，13名参与者报告了他们在任务中对作弊道德性的信念发生了变化，而18名没有。额外的回归分析显示，这两组在作弊行为、预测准确率或预测作弊行为方面没有显著差异（S4表）。此外，两组的行为都最好由VBDynamic模型解释（两组的pEP均> 0.98），且拟合参数值在两组之间没有显著差异（Wilcoxon秩和检验，所有参数p > 0.05）。因此，主要的行为和计算结果并非由报告对作弊明确道德信念改变的参与者所驱动。

基于模型的fMRI分析

我们构建了三个GLM来识别大脑如何编码VBDynamic模型的4个计算信号。前三个信号涉及决策和预测过程（独立试次中的选择时刻和预测试次中的预测时刻）：（1）不诚实和诚实群体条件下的动态估值偏差（独立试次中的选择）；（2）观察不诚实和诚实群体成员时与参与者预测相关的概率（预测试次中的预测）；（3）独立试次中选择和未选择选项的相对价值，不分条件（即所有组块平均）。第四个信号对应于预测试次反馈阶段的预测误差。还添加了四个不感兴趣的参数回归变量：参与者的反应时、选择侧（左或右）、独立试次选择阶段是否作弊的决定，以及预测试次预测阶段他们对他人的行为的预测。由于感兴趣的参数回归变量与不感兴趣的参数回归变量之间存在强相关性，所有参数回归变量均被正交化。最后，我们加入了参与者在诚实和不诚实群体条件下的从众程度γ作为第二水平协变量。

在第一个GLM（GLM 1）中，我们在不诚实和诚实群体条件下独立试次的选择阶段仅将第一个信号（动态估值偏差）作为参数回归变量（见方法）。目的是评估某些脑区是否在两种条件下编码该信号。该GLM显示，在任一群体条件的独立试次中，大脑活动与动态估值偏差之间均无显著相关性（p > 0.001，未校正）。缺乏群体水平效应的一种可能解释是动态估值偏差的神经编码取决于个体对他人行为从众性的差异。具体来说，行为与观察到的规范相反（例如，比不诚实群体作弊更少或比诚实群体作弊更多）的参与者可能以不同于行为与他人一致的参与者编码该信号。与此解释一致，当聚焦于不诚实群体条件时，第二水平回归分析显示，动态估值偏差与大脑活动之间的关系随参与者的从众参数γ而变化。特别是，左侧外侧前额叶皮层（IPFC）、右侧背外侧前额叶皮层（rdlPFC）和双侧顶叶内沟（IPS）的活动编码了与不诚实群体条件从众参数γ成反比的动态估值偏差（IPFC，x,y,z = -48,42,0；rdlPFC = 30,39,42；IPS = -33,-63,45 和 36,-66,39；图4A和S5表；p

在第二个GLM（GLM 2）中，我们添加了剩余的三个计算信号：预测试次预测阶段与参与者预测相关的概率、预测试次反馈阶段的预测误差，以及所有条件下（基线和群体；详见方法SI）独立试次选择阶段参与者选择的相对价值。该GLM显示，不诚实群体条件下与参与者预测相关的概率编码在一个大簇中，包括双侧后颞上沟和颞顶联合区（pSTS-TPJ）以及背侧前扣带皮层（dACC；簇峰值，x,y,z = 57,6,24 和 -27,30,27；见图5A和S6表；通过FWE-峰值校正，独立ROI提取的Betas见S5A图）。此外，不诚实与诚实群体条件之间的对比显示，该簇的一部分活动在不诚实群体条件下显著高于诚实群体条件（簇峰值，x,y,z = -18,-18,3 和 60,6,27；见图5B和S7表；p 0.05）。此外，独立试次中选择选项的相对价值（DVChoosen – DVUnchoosen）与背侧前扣带皮层（dACC，x,y,z = 18,27,48）的BOLD信号呈负相关。然而，该簇未通过簇FWE校正（p(FWE-校正) = 0.203）。最后，预测试次反馈阶段的预测误差与包括双侧腹侧纹状体的大簇相关（x,y,z = 18,-15,24；S5B图和S8表）。

讨论

个体对他人观点、意图和偏好的理解有限。然而，社会影响取决于推断他人可能行动的能力。我们的研究结果表明，当我们观察他人的作弊行为时，我们的大脑监测他们趋向不诚实的倾向，不是通过塑造我们自身的道德偏好，而是通过偏差我们对作弊价值的评估（估值偏差）。此外，这种估值偏差是动态的。它反映了对他人道德倾向的逐步学习。在脑水平，参与者的从众性调节了观察不诚实行为时动态估值偏差在左侧IPFC和右侧dLPFC中的编码方式。此外，当参与者预测他人行为时，他人的不诚实水平编码在TPJ-pSTS中。这些结果为作弊行为中的社会影响提供了动态和机制性的理解，并展示了社会学习和社会影响过程之间前所未有的相互作用。

在行为水平上，当参与者暴露于不诚实群体时，他们的作弊行为发生了变化，但暴露于诚实群体时没有。这种不对称的一种可能解释是参与者更准确地学习了不诚实群体而非诚实群体。与此一致，不诚实条件下的预测准确率确实高于诚实条件。然而，在回归分析中，当我们控制预测准确率的差异时，群体条件对作弊行为的影响保持不变。此外，VBDynamic模型估计的从众参数在参与者观察不诚实群体时显著大于观察诚实群体时。这表明与不诚实规范保持一致的倾向更强。重要的是，这些从众参数与参与者的平均预测准确率不相关。这些额外分析表明，虽然学习准确率在不同条件间存在差异，但它不能解释社会影响的不对称效应。总体而言，这些结果与表明反社会行为（如作弊）比亲社会行为或诚实更具传染性的研究一致[11,36,37]。此外，社会接近性加剧了这种不对称[11]，并可以改善社会学习[43]。然而，在我们的实验中，群体成员是匿名的。因此，影响的不对称性不能由参与者与他人之间不同水平的社会接近性来解释。

在我们的实验设置中，参与者的作弊决策在个体水平上对实验者是可观察的。先前的研究表明，即使参与者被告知其决策是匿名的，这种可观察性也可能影响行为[40,44]。这种局限性是fMRI为基础的、模型驱动方法所固有的，这需要逐试次观察个体决策。为了减轻潜在担忧，我们明确告知参与者他们的选择是匿名的，数据分析将由不同于扫描期间在场实验者的另一位实验者进行，并严格遵循匿名性（见补充信息中的指导语）。重要的是，可观察程度在所有实验条件下保持恒定。此外，最近的证据表明，即使是高于本研究的可观察水平也不会显著改变经验性社会规范对不诚实行为的影响[45]。因此，参与者决策的可观察性不太可能解释我们实验中条件间观察到的差异。

先前已提出两种主要的社会影响机制：个体偏好的调整[6,12,23]或个体估值过程中的偏差[3,4]。先前的工作提出这两种机制取决于社会信息的可及性。具体来说，当个体可以完全获取他人的行为或信念时，偏好转移可能更可能发生[22]。然而，在本研究中，我们发现即使在他人的行为完全可及且被准确学习的情况下，动态估值偏差也能更好地解释社会影响。我们的模型假设参与者随时间动态推断他人的偏好（社会学习成分）。这种内部表征随后在参与者面临作弊机会时偏差其估值过程（社会影响成分）。这种知识导致人们对不同选项赋予的价值发生变化。这种机制不是意味着盲目模仿或偏好的收敛，而是与社会影响涉及构建对他人行为的因果理解，然后为个体决策提供信息的观点一致[33,46,47]。

我们实验的一个新颖方面是逐步将参与者暴露于他人的行为。过去的实验要么在试次组块中呈现他人的选择，要么没有考虑学习动态[4,6]。在我们的任务中，参与者学习得相对较快，因为他们能够在大约10个试次后准确预测他人的行为。虽然这种快速学习可能限制了可以观察到学习动态的范围，但我们的动态社会影响模型仍然比固定模型更好地解释了参与者的行为，这表明静态方法可能无法完全捕捉社会影响背后的过程。这项工作的自然延伸将是检查更波动或不确定的社会环境，这将有望减慢学习速度并进一步区分动态与固定机制[48]。

我们的发现也揭示了支持社会影响的神经计算机制。当参与者暴露于不诚实群体时，我们观察到右侧dLPFC和左侧IPFC中动态估值偏差相关活动的差异，这取决于个体从众水平。具体来说，这些区域中更大的估值偏差相关活动与较低的从众性相关，这反映了对不诚实群体观察到的作弊社会规范的更强抵制。值得注意的是，我们在群体水平上没有观察到动态估值偏差的主效应，这表明这种神经信号并非在个体间均匀表达，而是取决于从众性的个体差异。

这种神经模式与行为结果相呼应，行为结果显示较大的估值偏差与更高的作弊可能性相关。观察到IPFC动态追踪估值偏差扩展了先前的工作，这些工作表明该区域编码他人对选择行为的视角（无论是道德的还是非道德的）[6,16]，并通过自我调节、道德价值整合[14,16,28,49-51]和规范遵从[26,52]在道德和伦理决策中发挥作用。重要的是，先前的研究检查了社会规范从一开始就明确已知的背景，而不是像本实验那样随时间学习。在这里，我们额外表明IPFC根据参与者的从众程度追踪社会规范的演变（即他人的行为）。总之，这些发现表明IPFC动态监测社会环境，并支持将社会信息整合到指导决策的估值过程中。

在我们的BPL模型中，基于[41]开发的模型，参与者从关于他人偏好的先验开始，然后用其预测他们作弊的可能性。预测误差更新这些先验，对应于预测作弊可能性与他人实际行为之间的差异。在反馈阶段，该预测误差编码在双侧腹侧纹状体中。该区域已被证明编码与社会规范相关的预测误差，这是学习他人行为所必需的过程[53,54]。

当检查涉及表征对群体成员不诚实信念的脑区时，我们发现双侧pSTS和TPJ的活动在预测阶段追踪与参与者预测相关的概率。值得注意的是，这种效应出现在不诚实群体条件下，但未出现在诚实群体条件下。这种模式与条件间观察到的学习行为不对称一致，并与先前将这些区域涉及模拟他人学习和表征他人偏好的研究结果一致[30,55]。这些结果表明pSTS-TPJ支持学习和预测他人行为倾向所需信号的计算，特别是在参与者对不诚实行为表现出从众的背景下。

重要的是，我们没有发现pSTS-TPJ直接介导社会影响过程的证据，因为动态估值偏差编码在双侧IPFC中。相比之下，先前报告pSTS-TPJ参与决策的研究通常检查社会信息直接与选择相关的情境，如合作[56]、共识形成[30]或修改自己的选择[57]。在本研究中，参与者不需要社会信息来决定是否作弊；相反，他们的决策可能间接受到他们所学到的他人行为的影响。与此解释一致，先前关于社会影响的工作在社会学习缺失时未观察到pSTS-TPJ的参与[4,6]。

用于生成群体决策的个体行为是使用包括可变作弊成本的效用模型模拟的，而最能描述参与者自身决策和学习的最佳BPL模型依赖于包括固定作弊成本的模型。原则上，这种不匹配可能使学习他人作弊行为更加困难，因为参与者将推断由不同于自身的模型生成的模式。然而，我们的行为结果表明参与者仍然能够形成准确的信念。他们的预测显著优于随机水平，并在两种群体条件下收敛于真实的平均作弊水平。几个因素可能解释预试参与者的生成模型与最适合我们主样本的模型之间的差异。首先，预试参与者在不同背景（MRI扫描仪外）下完成任务，这可能影响了他们的决策策略。其次，预试和主样本参与者之间未观察到的 demographic 或心理差异也可能导致模型参数的差异。尽管如此，我们的分析表明，参与者学习他人行为的能力并未以能够解释观察到的从众不对称的方式受损。

我们研究的一个局限性是参数恢复分析并未完美支持我们模型拟合程序的有效性（S3A图）。这可能反映了我们的实验设计最初并未针对多个复杂组分的参数可辨识性进行优化，即社会学习和社会影响，它们在VBDynamic模型中一起估计。具体来说，我们的参数恢复对于一个参数（他人温度参数β_OH）较弱，对于两个参数（α和β）有限。然而，VBDynamic模型中主要感兴趣的参数，即从众参数γ_H和γ_D，恢复得相对较好。温度参数有限的可恢复性可能至少部分反映了参与者观察到的快速学习。更快的学习可能减少了预测试次中推断的作弊相对价值的变异性，从而限制了可用于估计与决策随机性相关参数的信息。鉴于温度参数主要在社交学习期间调节预测行为的变异性，这种变异性的降低可能导致了其较差的恢复。因此，这些基于模型的结果应谨慎解释。然而，它们构成了将社会学习更好地整合到社会影响过程中的第一步。未来的工作可以在当前框架的基础上，使用为改善参数可辨识性而设计的实验设计，通过增加环境波动性或不确定性来减慢学习动态。

总体而言，我们的模型解释了个体如何生成他人偏好的形式化表征，然后这种表征偏差他们的估值过程。我们报告pSTS-TPJ和双侧IPFC计算两个独立的信号：pSTS-TPJ中的社会学习信号和双侧IPFC中的社会影响信号。这些计算角色阐明了作弊行为背景下社会学习和社会影响之间的动态联系。在学习期间，他人行为倾向的表征编码在pSTS-TPJ区域，而动态偏差则涉及左侧IPFC和右侧dLPFC。这些发现对开发新的社会影响计算理论具有重要意义，这些理论可能在不同背景下有用。例如，最近的一项fMRI研究报告称，社会理解背后的认知过程在自然的共识建立对话后更加一致，这种对话常用于社会影响[58]。许多关于社会影响的研究集中于公开遵从，而忽略了社会互动对私人认知的长期影响[59,60]。事实上，共识建立对话不仅使群体内的神经反应一致（反映社会遵从），而且这种一致性可以推广到未曾讨论过的新刺激[58]。这强调了他人习得偏好的主观估值（这里由估值偏差解释的效应）在理解社会影响中的重要作用。更广泛地说，我们的研究强调了社会学习如何通过偏差主观估值过程而非改变稳定的道德偏好来动态地塑造道德决策。这种机制可能构成一个普遍的计算原则，通过该原则，社会环境在各个领域塑造个体决策。理解这些动态社会影响过程对于解释不诚实或诚实的规范如何在社交网络中传播可能至关重要。

方法（从略）

图表注释汇总

图1. 解释社会影响的不同计算模型的图形表示。 该图展示我们考虑的四种不同社会影响机制。我们改变社会影响是由于个人偏好的转移（表格顶行）还是估值过程中的偏差（底行）。然后我们改变过程是固定的（左列）还是动态的，因为它取决于个人随时间对他人行为的学习（右列）（示意性地由顶部图形右列表示）。对于每个模型，基于效用函数（Ucheat）提供了形式化描述，该函数代表个人作弊的相对价值，具有两个自由参数α和δ。α代表个人对金钱奖励的敏感性，而δ代表作弊时产生的道德成本。根据固定估值偏差模型，参数θ代表参与者作弊估值中的偏差程度。根据动态版本，参数γ代表参与者对他人习得行为的从众水平（由Poth(Cheat)表示）。最后，在偏好转移模型中，社会影响由参与者偏好α和δ的固定变化（Fixed固定）或基于他人习得偏好的偏好动态演变（Dynamic动态）来表示。

图2. 实验设计和行为结果。 A. 实验包括2种试次类型。在独立试次中，参与者必须在两个选择中报告骰子结果。诚实报告总是比不诚实报告获得较少奖励，这使得作弊成为更有利可图的选择。每个试次中作弊的可能价值不同，诚实（低收益）和不诚实（高收益）选择之间从2欧元到8欧元不等，增量为2欧元。诚实选择的基准值从0到8欧元不等，不诚实选择从2到10欧元不等。独立试次以确认步骤结束，在该步骤中参与者的屏幕冻结而没有确认她的选择，以加强决策是匿名进行的感觉。在预测试次中，参与者必须预测从10人组中随机选出的另一名个体是否作弊或诚实报告。参与者的响应在抖动的确认步骤中以红色高亮显示。最后，参与者收到关于其预测的反馈。正确答案以绿色高亮显示。B. 我们的实验分为3个组块。第一个是基线，由50个独立试次组成，允许我们评估参与者的偏好。接下来的两个组块是50个预测和50个独立试次的混合，交替呈现。这种结构允许我们让参与者接触他人行为并评估对参与者决策的影响。在这两个组块的每一个中，参与者的预测涉及一个诚实或不诚实的参与者群体。诚实和不诚实群体的呈现顺序在参与者间随机分配，作为第二或第三组块。C. 不诚实群体条件下的平均作弊比例显著高于其他两个条件。统计分析是带有Bonferroni校正的两两比较，从混合效应逻辑回归中提取（详见S2表模型1）。D. 不诚实群体和诚实群体条件下的平均预测准确率。黑色线表示随机水平。条形内的星号表示将预测准确率与随机水平进行比较的单侧符号秩检验结果。其他统计分析来自混合效应逻辑回归（详见S2表模型2）。E. 不诚实和诚实群体条件下预测试次中预测他人作弊的平均值。红色（蓝色）虚线对应于不诚实（诚实）群体成员的平均作弊比例。在所有图中，条形或阴影区域对应于标准误。*** p

图3. 模型选择和估计。 A. 不同候选模型的受保护超出概率（pEP）。pEP越高，给定模型相对于其他模型越可能解释群体行为。PS，偏好转移；VB，估值偏差。虚线表示随机水平。B. 每个参与者的不诚实群体条件从众参数γ与诚实群体条件从众参数γ之差。星号代表两条件间双尾秩和检验的结果。C. 不诚实群体条件（红色）和诚实群体条件（蓝色）预测试次中推断的他人作弊平均概率。阴影区域为标准误。红色（蓝色）虚线对应于不诚实（诚实）群体成员的平均作弊比例。D. 不诚实群体条件（红色，他人作弊的概率）和诚实群体条件（蓝色，他人诚实的概率）独立试次中平均动态估值偏差。阴影区域为标准误。红色（蓝色）虚线对应于不诚实（诚实）群体成员的平均作弊（诚实行为）比例。*** p

图4. 编码动态估值偏差的脑区。 A. 左侧外侧前额叶皮层（IPFC）中BOLD信号与动态估值偏差信号（即学习到的他人作弊概率）之间的负相关关系，作为不诚实群体条件独立试次决策阶段参与者从众参数γ的函数（p

图5. 涉及学习他人行为的脑区。 A. 双侧后颞上沟（pSTS）、颞顶联合区（TPJ）和背侧前扣带皮层（dACC）中的BOLD信号与不诚实群体条件预测试次预测阶段参与者预测的概率相关（p