[论文解读] The growth and form of knowledge networks by kinesthetic curiosity

Dale Zhou, David M. Lydon‐Staley+2 more|arXiv (Cornell University)|Jun 4, 2020

Misinformation and Its Impacts被引用 7

一句话总结

本文提出了触觉好奇心模型，将好奇心视为通过三种功能模式——多管闲事者（探索性新颖性寻求）、猎手（目标导向追逐）和舞者（创造性整合）——在信息空间中动态移动的过程。利用网络科学与统计物理，该研究形式化了这些搜索策略如何塑造独特的知识网络结构，提出了一套计算框架，将好奇心的心理学理论拓展至超越目标导向学习的范畴。

ABSTRACT

Throughout life, we might seek a calling, companions, skills, entertainment, truth, self-knowledge, beauty, and edification. The practice of curiosity can be viewed as an extended and open-ended search for valuable information with hidden identity and location in a complex space of interconnected information. Despite its importance, curiosity has been challenging to computationally model because the practice of curiosity often flourishes without specific goals, external reward, or immediate feedback. Here, we show how network science, statistical physics, and philosophy can be integrated into an approach that coheres with and expands the psychological taxonomies of specific-diversive and perceptual-epistemic curiosity. Using this interdisciplinary approach, we distill functional modes of curious information seeking as searching movements in information space. The kinesthetic model of curiosity offers a vibrant counterpart to the deliberative predictions of model-based reinforcement learning. In doing so, this model unearths new computational opportunities for identifying what makes curiosity curious.

研究动机与目标

• 开发一种超越目标导向或基于奖励学习的 curiosity 计算模型。
• 将网络科学、统计物理与哲学整合为统一框架，以理解开放式信息探索。
• 形式化不同 curiosity 模式——多管闲事者、猎手、舞者——如何在知识网络中生成独特的结构模式。
• 提供一个可检验、量化的 curiosity 模型，以解释个体在信息寻求行为上的差异。

提出的方法

• 将 curiosity 建模为在抽象知识网络上的行走过程，其中节点代表信息单元，边代表信息关联。
• 定义三种功能模式：多管闲事者（松散、探索性网络）、猎手（紧密、目标路径）、舞者（连接孤立模块）。
• 通过计算模拟在每种模式下生成知识网络的演化，其依据来自现实世界数据，如维基百科超链接。
• 应用图论指标（如模块度，通过 WalkTrap 算法计算）与可传递性，量化网络结构与信息流动。
• 利用维基百科浏览行为的实证数据验证模型，将个体搜索模式与网络架构关联。
• 将研究发现与认知科学中的既有理论（如后继表示与自由能原理）整合，统一预测与探索的模型。

实验结果

研究问题

• RQ1 如何将 curiosity 建模为一种在信息空间中动态移动、非目标导向的过程？
• RQ2 在知识网络中，哪些结构特征对应于不同的 curiosity 功能模式——多管闲事者、猎手、舞者？
• RQ3 个体在搜索行为上的差异（如对不确定性的敏感度、寻求刺激的倾向）如何映射到自我构建的知识网络架构上？
• RQ4 网络科学与统计物理在多大程度上能够形式化对 curiosity 与信息探索的定性描述？
• RQ5 知识网络的涌现特性在无显式反馈或效用的情况下，如何支持学习、创造力与社会行为？

主要发现

• 由猎手式动态塑造的知识网络对不确定性更敏感，对探索的享受程度低于多管闲事者式模式。
• 舞者式搜索策略与连接不同网络模块相关，表明其在整合不同知识领域方面具有作用。
• 在每种触觉模式下模拟生成的知识网络均表现出独特的拓扑特征：多管闲事者为松散结构，猎手为紧密结构，舞者为桥接结构。
• 对维基百科浏览行为的实证分析表明，个体的搜索序列反映出独特的信息寻求架构风格，与三模式模型一致。
• 该模型的网络生长原则与多种既有的认知理论（如后继表示与自由能原理）相吻合，表明其可作为统一预测与探索框架。
• 网络科学与统计物理的整合使 curiosity 的结构结果得以定量分析，为检验信息寻求理论提供了新工具。