成群結隊小訣竅，我們如何集體行動？

　　大家好，我是菜編。許多動物會成群結隊，包含你我這些人類，為了在多人移動時保持順暢，我們會跟著「周遭」人的動作改變自己的行動，譬如在上班時段的捷運站，下意識得跟著人龍走上車廂，過程中會不自覺和旁人轉向同一個方位，不過我們的注意力究竟有多廣？人潮洶湧，哪些人影響我們最多？不久前的研究成果告訴我們，依照你能看得多清楚！

　　五月十六日，本文發表在2022年才出版的《PNAS Nexus》上，這顆超新星是老字號《PNAS》的姊妹刊物，由美國國家科學院與牛津大學出版社協作出版，裡頭全是免費的開源內容！而發表團隊則來自布朗大學，任職的系所專業於認知、行為及語言學，透過多樣化的儀器與方法，學者得以用不同角度進行研究，今天要分享的專案，它的材料與方法就包含有電腦模擬、虛擬實境，還使用了紅外線攝影機追蹤即時的動作變化，聽起來是不是超科幻、超有趣！

　　這個研究旨在了解人類如何形成群體，在動物王國裡，不管是飛鳥、走獸，或是昆蟲都有相同行為，但要想讓團體結構完整，不會走一走就掉隊，或是撞上隔壁小夥伴，個體間勢必要互相配合，但處在一個碩大的動物群中，並不可能注意範圍廣到「全部」夥伴吧！

　　到目前為止，學界發展出三種模型解釋動物如何集結成群（翻譯不能，只能請各位見諒了......）。其一 Metric neighborhood，在這個模型中，觀察者會被處在「固定距離」中的所有個體影響，其二 Topological neighborhood 則說明會影響觀察者的鄰居「數量固定」，只受前後優先順序影響，最後的模型 Visual neighborhood 特別強調「能見度」的重要性，看不清楚的鄰居，想當然帶來的影響就相對較少。

　　研究分成三階段，並以受試者的最後頭朝向與轉頭的速度判斷符合哪一個模型的預測，打個比方，如果你突然仰視天空並大喊：「ㄟ！那是什麼？」，你周圍的人也會跟著抬頭張望，這時的你就成了影響別人的干擾源，離你越近的人抬頭速度就越快，角度也會更相似，而根據不同模型的定義，因為距離、數量和可視度等因素，所帶來的影響便會有所出入。
　　第一個實驗在虛擬實境中進行測試，受試者戴著VR眼鏡，視野裡的人群稠密度有高有低，看的方向都不太一樣，根據 Topological neighborhood 模型來看，可以互動的數量維持不變，密度的變化對觀察者來說相對沒有影響，但若參照 Metric neighborhood 的觀點，數量相同但密度比較低的情況會造成外圈距離變遠，因而超過觀察範圍，影響程度因此減少，這個差距甚至會隨著干擾源（Perturbed Neighbors）增多而趨於明顯，而如果以 Visual neighborhood 檢視這個現象，倒比較輕微，密度所造成的影響較少。

　　把模型預測結果和實驗結果互相比對後發現：人類形成群集的機制似乎遵循 Metric 跟 Visual neighborhood 模型，後者甚至更好一些。不過，這個結論卻在實驗二被馬上修正，當研究者增加一些「轉頭方向和觀察者相同」的虛擬人類，便會使得 Metric neighborhood 的預測失準！各位讀者能把他們想像成緩衝海綿，只要這些人的影響程度越顯著，觀察者的行為變化就會越小，所以在高密度的情況下，緩衝人們距離比較近，緩衝效果理應較顯著，可是預測結果卻和真實數據對不太上，三個模型中，只有 Visual neighborhood 預測得較準確。

　　結束虛擬實境的體驗後，接踵而來的是真人群測試，由於真人頭的轉向不太可能控制，所以各位可以用實驗一來做對比。結果發現，在一定的範圍內，人群密度比較高的時候，每個人看的方向會差不多，符合 Metric neighborhood 的預期，但只要距離拉太遠，就會失準，如果要同時檢視密度跟距離兩者的影響力，僅有 Visual neighborhood 模型是始終如一的不死之軀！

　　所以說，就結論來看，Metric 跟 Visual neighborhood 模型應該都能解釋人類如何形成群體，只是後者顯然可以應付更多變因，若著重於討論密度的差別，用 Metric neighborhood 模型解釋就綽綽有餘，但加上距離變因後，想在不同的情況下皆適用，Visual neighborhood 模型會是更好的選擇。

　　今天這篇文章的研究內容很重要，試想很多人潮壅擠的場合，疏散動線如何安排攸關到參與者的生命安全，現在我們知道人類形成群體的機制如何，也就能做出更好的應對措施。順道一提，我真的好喜歡這種除了假說外，還有解釋理論的發表，希望未來自己也能進行類似的研究！

追蹤我個人的粉專→https://www.facebook.com/brainhavemouth
追蹤Sky in the wall→https://www.facebook.com/skyinthewall