浙江
在信息过载的当下，人们经常面对零散且大量的事实和数据，却难以将它们整合成连贯的知识结构。2026年7月18日，北京大学心理与认知科学学院方方教授、李阿明研究员和罗欢研究员所带领的团队，在《自然·通讯》上发表了题为“Compressive learning scaffolds higher-order network structure to enhance human knowledge acquisition”的研究论文。这项工作提出了一种名为“压缩学习”的新概念，他们把网络拓扑中的高阶结构特点，特别是节点度的不均匀性，事先嵌入到学习路径中，结果发现这能有效提升人们掌握复杂知识网络的效率。
为了检验网络本身的压缩性与可学习性之间的关系，方方和同事们设计了四种结构不同的16节点网络，包括晶格网、随机网、小世界网和无标度网。这些网络拥有完全相同的节点数和连边数，唯一的差别在于节点度分布的均匀程度。他们利用奇异值分解对网络的压缩性做了定量评估，结果显示无标度网由于存在少数高度连接的枢纽节点，其压缩性明显优于其他三种网络。在随后的行为实验中，160名参与者需要根据连续呈现的图像序列来预测下一张图片，而这些图像的转换规律就由上述四种网络分别决定。结果发现，学习无标度网络的那组参与者在预测准确率上显著高于其他三组，而且这个优势在统计上控制了一些干扰因素之后依然成立。
研究团队进一步考察了能否通过设计预学习路径来加强这种压缩性优势。他们招募了238名新参与者，首先让这些人分别经历三种不同的200轮预学习序列，其中一组先接触枢纽节点相关的连边（HubToLeaf），另一组以相反顺序从叶子节点开始（LeafToHub），第三组则按照常规的随机游走顺序进行。之后所有人都要完成800轮完全一样的随机游走学习任务，并且只比较这第二阶段的表现。结果发现，先学习枢纽结构的HubToLeaf组，其整体的预测准确性都高于另外两组，而且这种优势既体现在与枢纽直接相关的连边上，也延伸到只涉及叶子节点的连边上。这意味着，提前暴露于高阶骨架结构所带来的帮助并不局限于局部连边，而是扩散到了整个网络。
在脑磁图实验中，40名被试者在学习过程中，他们大脑对网络结构的表征强度通过表征相似性分析被提取出来。与行为结果一致，预先接受HubToLeaf序列的被试组，在提示图像消失后的空白期内，其神经表征的强度显著强于LeafToHub组。源定位分析把这种差异主要定位在背侧前扣带回，该脑区过去常与决策和控制过程联系在一起。计算建模方面，研究团队比较了四种不同复杂度的学习模型，结果发现能够利用高阶结构信息的最大熵模型、后继表征模型和超图模型，它们的拟合度都明显优于只使用相邻转移信息的一步模型。超图模型尤其善于捕捉节点与其所有邻居之间的多重关系，这为压缩学习提供了计算层面的支持。
READING
BioPeers
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
