23、信息守恒：不确定条件下组织人机机器人代理的新方法

信息守恒：不确定条件下组织人机机器人代理的新方法

1 引言

在对由人类、机器或机器人组成的同质或异质（混合）群体和组织的行为动态进行建模时，研究人员面临两大障碍：人类代理的观察（即自我报告）以及社会互动中的相互依赖不确定性。

我们早就知道，观察人类工人会影响他们的表现，这就是霍桑效应。而且，直接从人类那里收集数据会改变他们的反应。要克服这些障碍，对人类和虚拟代理或机器人的混合系统进行建模，就需要一种理论来涵盖在不确定性下的这些影响，这是一项高风险的研究。

1.1 测量

个体层面

研究人员在为人类和基于代理的模型（ABMs）构建成功的计算模型和应用社会相互依赖关系时，主要障碍在于依赖代理的自我报告。这一问题在将量子模型应用于人类决策的新领域中依然存在。例如，Busemeyer及其团队用精心设计的数学方法进行研究，但仍依赖传统的自我报告，这违背了量子模型的核心原则：测量会干扰被测量的对象。

在很多方面，支持人类自我报告和动态行为理论的证据几乎不存在。比如在博弈论中，自我报告的偏好与实际选择之间缺乏证据支持；在第一个关于相互依赖关系的数学模型中（但尚未有效应用）；以及在群体或组织的决策中，相关理论也尚未建立。在心理学领域，自我报告的自尊与实际学术或工作表现之间的相关性很弱。在商业管理中，管理者的自我评估与公司业绩之间也只有微弱的相关性。

这些情况的可能原因是，自我报告被假定为能够独立于人类观察者来测量现象。然而，计算机在其虚拟计算空间中捕捉社交对象的全部知识（即显示器上显示的“上帝视角”），这又为ABMs和机器人（移动计算空间）带来了同样的障碍。而且，即使测量的可靠性得到了很好的验证，假设人类或AB