学友们，很多人都有过这种时刻：明明知道该去运动、该早点睡、该开始准备考试，也不是完全不想做，可身体和脑子像卡住了一样。直到某天发现同事都开始午休散步、朋友群里有人连续打卡，你突然就动起来了。
这类体验很容易被解释成「我意志力差」。读完这篇 Measuring thresholds for individual change can improve social change interventions，再去看它对应解读的研究论文 Integrating behavioural experimental findings into dynamical models to inform social change interventions，会发现一个更贴近人性的答案：很多改变不是靠硬扛启动，而是要跨过一个心理阈值。
你以为是自律问题，可能是阈值问题
心理学家关心这个问题，不只是为了讲理论，而是因为现实里太多公共议题都卡在这里：减碳、健康行为、戒烟、疫苗接种、AI工具学习、甚至网络暴力的劝阻行为。大家都知道「应该做」，可群体层面的改变总是慢。
常见误解有两个。
- 误解一：只要找到最有影响力的人（大V、班干部、部门核心）就能带动所有人。
- 误解二：社会规范信息（比如「很多人都在做」）对谁都一样有效。
这项研究挑战的正是这两条直觉。人和人对社会信号的敏感度差异很大；同一个人对不同事情，阈值也会变。
研究是怎么做的：把「差临门一脚」量出来
研究团队做了两组离生活很近的选择实验，参与者都来自美国 Prolific 平台。
- 政策支持场景（PS）：296 名有效参与者（原始 300，4 人未完成），每人做 15 个选择任务。内容是碳捕集政策支持，除了政策属性，还加入「你朋友中有多少人支持」这个社会信号。
- 应用采用场景（AA）：300 名参与者，每人做 14 个选择任务。内容是即时通讯 App 选择，同样加入「你朋友中有多少人已在用」这个社会信号。
巧妙点在于：他们没有只问「你支不支持」，而是用离散选择模型去拆出三块东西。
- 你对产品本身属性的偏好（好不好用、贵不贵、风险高不高）
- 你维持现状的惯性（不改也行）
- 你对社会信号的敏感度（别人做了会不会推动你）
这三块合在一起，就能估计每个人、面对每种选项时的阈值。
验证也做得很实在：拿没参与建模的题目做预测。结果是，模型在保留题上的预测准确率在两组实验里分别约 68% 和 77%，明显高于随机基线的 25%。换成人话就是：这个「阈值」不是玄学标签，确实能预测真实选择。
两组场景的差异也很有意思。
- 在政策支持场景，社会信号不是最强因素，政策实施时间和成本更关键。
- 在 App 采用场景，社会信号权重最高，接近总决策权重的一半以上。
这意味着，学友们常说的「我在这个问题上容易被带节奏，在那个问题上却很倔」，不是矛盾，而是正常的人类决策结构。
研究没有停在个体层面，又把这些阈值放进网络扩散仿真里：18 个真实社交网络、72 组产品配置、9 种投放策略，累计数千轮对比。
当干预成本主要取决于个人偏好时，找「低阈值邻居多」的人做种子最有效；当干预成本主要取决于中心性时，只有用真实阈值校准过的复杂中心性策略稳定领先。
flowchart LR
A[个人偏好与现状阻力] --> B[社会信号敏感度]
B --> C[个体改变阈值]
C --> D{选择谁先动}
D --> E[只看网络中心性]
D --> F[结合阈值的种子策略]
E --> G[扩散可能变慢或成本变高]
F --> H[扩散更稳、资源更省]
为什么这件事重要：它改写了「动员」这门课
这项发现的分量，在于它把两条长期分开的研究线接上了：
- 一条线研究「个人怎么做决定」
- 另一条线研究「行为怎么在网络里扩散」
在心理学和社会科学发展史里，从 1978 年阈值模型提出，到今天可以用选择数据去估计阈值，再反过来优化群体干预，这是很关键的一步：从「概念上成立」走到「可以测量、可以部署」。
对心理健康与教育实践也有启发。
- 咨询和教练里，动机不足不一定是懒，可能是阻力高、社会信号弱。
- 班级和团队里，喊口号常常无效，先识别「谁周围有可被带动的人」会更实用。
- 社交媒体时代，公开的点赞数、打卡数，会直接改变阈值感知，放大从众焦虑，也能被用来做正向行为启动。
跟 AI 焦虑也强相关。很多人不是「想明白了才学 AI」，而是看到身边人陆续上手后，阈值被压低才开始行动。看懂这一点，能少一点自责，多一点策略感。
放到日常生活，学友们可以这样用
如果你正被「想改但改不动」困住，可以试试这套小工具。
- 给目标写一行「阈值句」：我要看到什么程度的社会信号，才更容易开始？
- 先找小圈子，不找大场面：与其等全网热潮，不如拉 2-3 个同伴做稳定共同行动。
- 先降阻力再谈自律：把任务拆到足够小，让「现状阻力」先下降。
- 区分任务类型：对有明显网络外部性的事（如协作工具、学习社区），社会信号更关键；对价值观强相关的事（如政策立场），个人成本和信念更关键。
也要保持边界感。
- 这项研究主要基于美国样本与情境化选择任务，不等于所有文化与场景都同样成立。
- 阈值不是人格标签，不是说一个人「永远容易/永远不容易被影响」。
- 研究谈的是群体干预优化，不是给个人贴诊断。
想继续深挖的话，可以从这几条入门。
- 先读论文主文和补充材料，重点看阈值估计与种子策略比较。
- 对扩散机制感兴趣，可以看 Centola 关于 complex contagion 的工作。
- 对实际应用感兴趣，可以关注社会规范干预在健康与气候行为里的边界条件。
学友们有没有这种经历：明明你不是不知道该做什么，却总差最后一步；一旦身边出现几个真实样本，你就突然动起来了？你后来是怎么给自己「降阈值」的？
参考文献
- Measuring thresholds for individual change can improve social change interventions — Nature Human Behaviour, 2026-03-18
- Integrating behavioural experimental findings into dynamical models to inform social change interventions — Nature Human Behaviour, 2026-03-16
- Integrating behavioral experimental findings into dynamical models to inform social change interventions — arXiv, 2024-05-21
本文由 心理学视角 自动生成 | 模型:
gpt-5.4| 2026年3月23日