什么样的交流，能够言简意赅地传递信息？通过实验，结合对真实世界的文学、科学、音乐所呈现的网络特征进行的研究，6月15日，发表在NaturePhysics的论文“复杂网络中的人类信息处理”，揭示了有效交流需要满足的两个特征。
1.如何用网络科学研究人类交流
不论是阅读还是交谈，我们的大脑总在不断地，对将要面对的交流内容进行预判，并根据和事实的吻合程度，实时地修正预测。这在认知科学中，这被称为预测编码理论。
2.大脑对交流的预期比想象的复杂
受试者的右手5个手指分别对应键盘的Space、H、J、K、L这5个按键，根据指令按下按键。一共有5组刺激受试者的指令（stimuli），每一组指令要求受试者按下1个或2个标红的按键，如下图a所示。
图1：实验设计示意图
上图a中，可能的按键为5+5×4/2一共15种，每一组指令，看成网络中的节点。网络中节点间的边，代表可以从该节点转换到其他节点，具体的转换顺序由随机游走决定。每名受试者需完成1500次实验。
在一个根据ER模型生成的、包含30条边的随机网络中，从点a到点b的信息熵为该点度数的对数，意味着一个节点的度数越高，在随机行走中，从这个点出发，下一个节点就对应越多的可能。因此可以说从这点出发，带来的意外越明显。例如上图左边红色的节点，其度数为8时对应的意外值为3。
图3：网络中的位置影响信息接收的程度
图4：模块化网络示例图
3.信息接收者与发送者之间存在预期差异
图5：信息接收者对传播矩阵的预期
在上述实验中，最初受试者并不清楚网络的结构，因此其对于每个新的按键序列是什么，都是“意外”的。如上图左边所示，图中每条边的颜色，代表受试者对该边的预期。随着实验的进行，受试者对边的预期逐渐变为中间的图，而最左边代表受试者的预期和真实情况完全相同，最右边的图则表示受试者的预期与真实情况完全不同。
用数学的语言来定义，信息接收者预期的概率转移矩阵，也即真实网络中矩阵的交叉熵（等式左边），可以拆分为两部分。一是信息传播者本身的信息熵（等式右边第一项），二是两个矩阵的KL散度（等式右边第二项）。前者是信息传播固有的，后者描述了交流过程中所产生的效率损失。
图6：不同网络结构下交叉熵与预期系数的关系
4.真实网络与随机网络的差别
上述实验，确定了分析工具，部分回答了本文预期要解决的问题，即怎样的沟通是高效的。例如上文的实验中，如果沟通的目的，是让受试者了解网络对应的转移矩阵，那么模块化的网络结构是最优的。然而这和真实世界中的交流，又有何种联系？
图7：李尔王和麦克白的人际网络
上图是莎士比亚四大悲剧中《李尔王》和《麦克白》对应的人物网络图，网络中的点是戏剧中出现的人物，边代表人物间的交流。上述的真实网络，假设其反映的交流模式是高效的，通过将其与具有相同网络特征的随机网络对比，看两者在上述的分析工具上，例如在交叉熵和KL散度上，有什么不同之处，由此可以揭示出高效交流所具有的特征。
该文研究的真实交流模式，包含了6大类总共40种，分别是传统文学，语义网，互联网，论文引用网络，社交网络，音乐。包含了大部分基于字符串的人类交流模式。
例如将语句中的名词作为节点，将名词间的转折作为边。通过在这样的微观层次进行建模，网络科学使得交流过程中所呈现的结构，得以被量化地研究。
将网络中的连接随机化后，可以计算两个网络对应的转移矩阵之间的KL散度和信息熵。上述6类中，传统文学的信息熵和KL散度都最高，而音乐则两者都相对最低。想想我们阅读柏拉图的名著时，觉得其中文字艰深，对接下来预期的内容也一头雾水；而音乐本来就是用来娱乐的，这也就不难理解了。
上文的实验说明，模块化的网络，能够降低因为交流中预期和实际有所不同所带来的低效。因此可以预期的是，真实的网络也将会具有模块化的特征。例如狗、狼和猫这些词构成的模块中，会有更多的连接，由此使交流更加顺畅。然而如果交流中只有熟悉的内容，那也是没有什么信息量的。因此高效的沟通，是要在网络的异质性和模块化结构之间找到一个合适的权衡。而真实网络，相比随机网络，同时具有了异质性和模块化结构，从而证明了网络结构对交流效率影响巨大。
5.三种不同的网络结构，哪种交流效率更高
下面是一道思考题，交流过程中对应的转移网络接近哪一种，交流效率会最高？
图8：无标度网络，随机块网络，层级化模块网络示例图
上图中第一个是无标度网络，其特点是各网络节点度的分布呈幂律分布。这样的网络中，最常出现的词语对应的连接，是次多词汇的两倍。第二个网络结构是随机块网络（stochasticblocknetwork），其中节点的度呈正态分布，每4个节点组成一个组件，组件之类是紧密连接的，而组件之间的连接很稀疏。第三种层次化模块网络，其节点分布同样遵从幂律分布，但节点间存在多个小组，因此其对应的邻接矩阵，同时具有了上述两者的特征：即其中包含4个小正方形，且右上角的连接更多。结合上文所述的在异质性和模块化结构之间的权衡，可知该思考题的答案是第三种。
具体对应到现实交流过程中，第一种过度强调核心概念，在讲解时东一榔头西一棒槌，导致网络的模块化程度太低，接收者会难以找到对下一个话题的预期；第二种将观点拆分成了几块，每块分别讲透，但没有重点，模块之间也没有过渡，接收者会觉得缺乏信息量。
而最好的交流，是将核心概念拆分后，按照轻重缓急，分块讲清楚。这样读者就不会觉得这一部分新概念太多难以理解，也能感到每阅读一节，都能带来新的意外，由此使沟通最为高效。定量来看，就是相比随机网络，信息熵的差更大，KL散度的差更小。
图9：三种网络结构下，真实和模拟的信息熵和KL散度之差
上图中，横轴代表的信息熵之差，代表了该网络能传递的“意外”相比随机网络差距有多少。这个值越大，说明该网络结构对应的交流模式，能够承载更多的信息。纵轴代表的KL散度之差，代表了相比随机情况，该交流模式，避免了多大程度的低效沟通或学习障碍。
图中表现最好的，无疑是浅绿色代表的层级化模块网络。图中黑色的菱形对应的真实网络，正好落在了两种不同参数的层级化模块网络的交点处，说明真实网络的形成遵循层级化模块网络的生成方式，在模块化和异质性之间，找到了最佳的权衡。
将该文的研究结果，应用到生活中。假设你在准备一个十分重要的演讲，你可以将要传递的观点，分解成几个关键词，再将每个关键词进一步拆分，植入到你的思维导图中：每一个节点代表一句话，每个节点包含几个关键词。之后你可以通过调整词句的顺序，使得相邻的自然段之间具有高内聚性，同时让最重要的核心词和每个模块都能建立连接。
在设计人际交互界面时，同样可以依据本文提出的框架，来定量地考察何种交流模式更为高效。例如APP的界面上，如何让主界面上的按钮彼此有所不同，同时在每个子菜单之间的按钮相互有紧密的联系。
人类的交流模式，为何会呈现出本文所发现的规律？是否和大脑本身的结构有关，两者如何共同进化？这是基于本文的研究，需要进一步研究和回答的问题。除此之外，本研究假设交流中的规律符合马尔可夫链的齐次性假设，即不存在概念间的长程连接。然而现实中并非如此，随着认知科学的进步，非马氏的人类交流存在何种规律也是值得研究的。
参考文献：LynnCW,PapadopoulosL,KahnAE,etal.Humaninformationprocessingincomplexnetworks[J].NaturePhysics,2020,16(9):965-973.