Förmågan att lära av varandra socialt är ett utmärkande drag för människan. Socialt lärande gör det möjligt för människor att gradvis samla information över generationer. Och även om vi kan bygga städer fulla av skyskrapor, skicka människor ut i rymden och gemensamt utveckla botemedel mot sjukdomar, fokuserar de flesta studier som undersöker sociala inlärningsmekanismer på relativt enkla, abstrakta uppgifter som har liten likhet med verkliga sociala inlärningsmiljöer.
Som ett resultat av detta vet vi mycket lite om hur människor dynamiskt integrerar asocial och social information i realistiska, verkliga sammanhang. För att undersöka detta har ett internationellt team av forskare från Cluster of Excellence Science of Intelligence (SCIoI), Max Planck Institute for Human Development (MPIB), universitetet i Tübingen och NYU utvecklat en virtuell födosökningsuppgift programmerad i det populära videospelet Minecraft.
I sin studie, som publicerats i Nature Communications, fann de att anpassningsförmåga (dvs. flexibel användning av asociala och sociala inlärningsstrategier snarare än fasta strategier) är den viktigaste drivkraften för framgång.
”Ska jag utforska på egen hand eller samarbeta med gruppen?”
I experimentet styr varje deltagare en avatar som förstör Minecraft-block för att hitta resurser. När en resurs upptäcks visas en blå stänk som är synlig för andra spelare och som potentiellt kan ge användbar social information om var ytterligare resurser finns.
I början av varje omgång informeras spelarna om de ska arbeta ensamma eller i en grupp om fyra personer som kan interagera med varandra i realtid. Dessutom testas de i två olika typer av miljöer.
I ”fragmenterade” miljöer är resurserna klustrade, vilket innebär att deltagarna kan hitta många block som innehåller resurser nära varandra, medan resurserna i ”slumpmässiga” miljöer är utspridda.
Social information är därför särskilt värdefull i ”fragmenterade” miljöer, eftersom den kan avslöja andra belöningar i närheten. Social information har dock inget värde i ”slumpmässiga” miljöer, eftersom det inte finns något mönster för resursernas placering som går att lära sig. Varje spelare försöker maximera sin egen belöning, snarare än att arbeta mot ett gemensamt mål, och måste därför effektivt hitta belöningar genom att hitta rätt balans mellan individuella och sociala inlärningsstrategier.
”Att använda ett spel som Minecraft är användbart eftersom det simulerar verkliga utmaningar. Eftersom du till exempel bara kan se en liten del av spelvärlden åt gången måste du välja om du ska fokusera på att söka på egen hand eller vara uppmärksam på vad de andra spelarna gör för att lära av dem”, säger Ralf Kurvers, seniorförfattare till studien.
”Det innebär att jag ständigt står inför ett val: ska jag följa min egen instinkt och söka på egen hand, eller ska jag utnyttja social information (i detta fall de blå ”stänk”) genom att följa spelare som redan har hittat något, eftersom de troligen har hittat en resurs?”
Nya verktyg för att studera interaktionen mellan individuellt och socialt lärande
Med hjälp av en nyutvecklad beräkningsmetod för att automatisera transkriptionen av synfältsdata mätte forskarna vilka objekt, händelser och andra spelare som varje deltagare observerade, med en hastighet av 20 gånger per sekund. De skapade en modell som sammanför var människor tittar, hur de rör sig och vilka val de gör när de letar efter föda.
”Enkelt uttryckt kan vi nu förutsäga vilken block en deltagare kommer att välja härnäst genom att kombinera individuella och sociala inlärningsstrategier, allt i ett och samma beräkningsramverk”, förklarar Charley Wu från universitetet i Tübingen.
”Denna nya metod gör det möjligt för oss att koppla samman de inlärningsalgoritmer som driver modern AI med flexibla sociala inlärningsmekanismer som adaptivt lär sig av andras framgångsrika beteenden.”
Sammantaget överbryggar studien ett decennielångt gap mellan forskning om individuellt och socialt lärande. Resultaten visar att människor inte bara är passiva imitatörer eller envisa individuella lärare. Snarare balanserar de dessa strategier dynamiskt; adaptiva mekanismer för individuellt och socialt lärande förstärker varandra och drivs av en gemensam valuta av individuell prestation.
Dessutom var graden av varje individs förmåga att anpassa sina individuella och sociala inlärningsstrategier den bästa prediktorn för deras prestationer. Detta understryker att det är anpassningsförmåga, snarare än fasta strategier, som driver mänsklig intelligens.
Detta arbete fördjupar vår förståelse av de kognitiva mekanismer som ligger till grund för adaptiv inlärning och beslutsfattande i sociala sammanhang, öppnar nya vägar för att förstå hur information sprids i grupper, hur nya innovationer uppstår och ger ledtrådar till hur man kan utforma system som bättre främjar adaptiv inlärning i sociala sammanhang.
Mer information: Adaptiva mekanismer för socialt och asocialt lärande i immersiv kollektiv födosök, Nature Communications (2025). På bioRxiv: DOI: 10.1101/2023.06.28.546887
