研究通过让受试者看短视频后评估分享意愿，发现不分享时右半球 θ 波高，分享时右额叶 α 波低、FAA 指数更负，还能用相关参数预测分享行为。
摘要社交媒体在日常生活的诸多方面至关重要，从人际关系构建到全球个体间协作网络的建立，分享行为是维持这些动态网络的关键。然而，在线社区中与分享行为相关的神经因素尚不明确。本研究记录人类受试者观看短视频时的脑电图（EEG）振荡，随后要求受试者基于喜好程度和是否分享对视频进行评估。结果表明，在群体层面，观看不分享视频的受试者在 θ 波段（4 - 8Hz），主要是右半球额叶和顶叶部位，功率谱密度（PSD）幅度高于观看分享视频的受试者。先前研究表明任务脱离与全头皮 θ 波激活增加相关，这表明不分享视频的决策可能导致更自动 / 轻松的神经模式。研究还发现，观看会被分享的视频与中央和右额叶部位 α 波段（8 - 12Hz）更低的 PSD 幅度以及更负的额叶 α 波不对称性（FAA）指数得分相关。这些结果与先前将右侧额叶 EEG 不对称性与追求社会一致性和避免负面结果（如社会孤立）联系起来的研究相关。最后，使用支持向量机（SVM）算法，证明这些 EEG 参数和偏好评分可用于提高对信息分享行为的预测能力。本研究描述的与信息分享相关的 EEG 模式增进了对与分享行为相关的神经标记物的理解，并有助于刺激传播的研究。
关键词脑电图；注意力；决策；社会一致性；社交媒体；社交网络；刺激传播
一、引言社交媒体的迅猛发展极大地改变了人们的社交互动和信息传播格局。在当下数字化时代，信息分享已然成为社交媒体的核心行为之一，其不仅深刻影响个体之间的关系，还在宏观社会层面上主导着信息的流动与传播（Kaplan & Haenlein, 2010; Van Dijck, 2013）。深入探究人们在社交媒体上信息分享意向背后的神经机制，对揭示人类社交行为的本质以及优化信息传播策略具有不可或缺的重要意义。
尽管已有研究从多维度对社交媒体和分享行为展开探讨，但对于其潜在的神经基础，尤其是脑电图（EEG）所反映的神经振荡模式与信息分享意向之间的关联，仍需深入剖析。本研究旨在填补这一研究空白，通过精准记录受试者观看视频时的 EEG 数据，深入分析与信息分享意向相关的神经振荡特征，为理解社交媒体分享行为开辟全新视角。
二、研究方法2.1 实验设计本研究严格招募了 [X] 名健康受试者，所有受试者经利手性测试均为右利手（Oldfield, 1971）。实验进程中，受试者观看一系列时长为 [X] 秒的短视频，视频内容广泛涵盖娱乐、教育、新闻等多元主题。观看结束后，受试者需在一个 7 点量表上对视频进行严谨评价，评价内容包括对视频的喜好程度（1 表示非常不喜欢，7 表示非常喜欢）以及是否会在社交媒体上分享该视频（1 表示肯定不会分享，7 表示肯定会分享）。
Main experimental design. A cohort of 23 participants watched 100 10-s videos and answered four (A, n = 11) or three (B, n = 12) questions immediately after viewing each one.
2.2 脑电图记录与分析运用 [具体型号] EEG 设备，依照国际 10 - 20 系统精准放置电极，全程记录受试者观看视频过程中的脑电图信号。记录时，采样率设定为 [X] Hz，滤波带宽为 [X] Hz。对原始 EEG 数据开展全面预处理，包括有效去除眼电、肌电等各类伪迹（Urigüen & Garcia-Zapirain, 2015），并将数据精确分段为与视频观看时间对应的时间段。
采用快速傅里叶变换（FFT）精确计算每个时间段的功率谱密度（PSD），细致分析不同频率波段（包括 θ 波段 4 - 8Hz 和 α 波段 8 - 12Hz）在不同脑区的 PSD 幅度变化。同时，依据公式 FAA = log (PSD 左额叶 - PSD 右额叶) /log (PSD 左额叶 + PSD 右额叶) （Coan & Allen, 2003; Smith et al., 2017）精确计算额叶 α 波不对称性（FAA）指数。
2.3 数据分析与统计方法运用独立样本 t 检验精确比较观看分享视频和不分享视频的受试者在不同脑区、不同频率波段的 PSD 幅度以及 FAA 指数的差异。为有效控制多重比较的误差，采用基于聚类的非参数统计方法（Maris & Oostenveld, 2007; Pernet et al., 2015）。此外，借助支持向量机（SVM）算法（Chang & Lin, 2013），融合 EEG 参数（PSD 幅度、FAA 指数）和偏好评分，构建预测模型，精准评估其对信息分享行为的预测能力。通过交叉验证的方式，精确计算模型的准确率、召回率等关键指标，以全面评估模型的性能。
Topographically distributed independent-samples t-values for theta- and alpha-band power differences when watching S vs. N-S videos. For graphical purposes, the surface in between electrodes is interpolated to create scalp maps. Clusters with significant t-values are indicated by black circles. The colors bars indicate the t-values of the clusters. N = 23.
三、研究结果3.1 θ 波振荡与信息分享意向在群体层面，观看不分享视频的受试者在 θ 波段（4 - 8Hz）的功率谱密度（PSD）幅度显著高于观看分享视频的受试者。这种差异集中出现在右半球的额叶和顶叶部位（图 2）。具体而言，在右额叶 [具体电极位置] 和右顶叶 [具体电极位置]，观看不分享视频的受试者的 θ 波 PSD 幅度比观看分享视频的受试者高出 [X]%（p < 0.05）。
3.2 α 波振荡、额叶 α 波不对称性与信息分享意向观看会被分享的视频与中央和右额叶部位 α 波段（8 - 12Hz）更低的 PSD 幅度相关。在右额叶 [具体电极位置]，观看分享视频的受试者的 α 波 PSD 幅度比观看不分享视频的受试者低 [X]%（p < 0.05）。同时，观看分享视频的受试者的额叶 α 波不对称性（FAA）指数得分更负，表明右额叶的 α 波活动相对增强（图 4）。在右额叶区域，观看分享视频的受试者的 FAA 指数比观看不分享视频的受试者低 [X]（p < 0.05）。
3.3 基于 EEG 参数和偏好评分的信息分享行为预测利用支持向量机（SVM）算法，融合 EEG 参数（PSD 幅度、FAA 指数）和偏好评分构建的预测模型，对信息分享行为展现出良好的预测能力。在交叉验证中，模型的准确率达到 [X]%，召回率为 [X]%。通过特征重要性分析可知，右额叶的 α 波 PSD 幅度和 FAA 指数在预测信息分享行为中具有较高权重。
Change in log power spectral density (PSD; μV2/Hz) for the theta-band (4–8 Hz, left panel) and alpha-band (8–12 Hz, right panel) in the indicated channel clusters during viewing of S and N-S videos. Data represent the mean ± SEM. *p ≤ 0.05.
四、讨论4.1 θ 波振荡与信息分享决策的关系本研究明确发现，观看不分享视频的受试者在右半球额叶和顶叶的 θ 波 PSD 幅度更高。先前研究表明，θ 波振荡与任务脱离、注意力分散以及走神效应相关（Braboszcz & Delorme, 2011; Lin et al., 2016）。这意味着当受试者决定不分享视频时，他们对视频内容的关注度降低，大脑进入更自动、轻松的处理模式，类似于走神状态。这种神经模式的变化反映了不分享决策背后的认知过程，即受试者认为视频内容不值得分享，从而减少对其的认知资源投入。
4.2 α 波振荡、额叶 α 波不对称性与社会一致性追求观看会被分享的视频与中央和右额叶部位 α 波 PSD 幅度降低以及更负的 FAA 指数相关。已有研究将右侧额叶 EEG 不对称性与追求社会一致性和避免负面结果（如社会孤立）联系起来（Harmon-Jones et al., 2010; Schnuerch & Pfattheicher, 2017）。α 波活动的降低通常与大脑的激活和注意力集中相关（Klimesch, 1999）。因此，当受试者观看会被分享的视频时，右额叶 α 波活动的相对增强反映了他们在评估视频是否适合分享时，更加关注社会规范和他人的看法，试图通过分享符合社会一致性的内容来避免负面评价和社会孤立。
Frontal alpha asymmetry (FAA) index (lnPSD F4 − lnPSD F3) during viewing of S and N-S videos. Data are presented as the mean ± SEM (t = 4.95, p = 0.002). More negative FAA values reflect higher alpha activation in the right hemisphere when compared with the left hemisphere.
4.3 研究的理论与实践意义本研究在理论上为理解社交媒体分享行为的神经机制提供了全新且确凿的证据。通过揭示与信息分享意向相关的 EEG 模式，深入了解了大脑在社交决策过程中的活动规律，极大地丰富了社会神经科学领域关于信息传播和社交行为的研究。在实践中，这些发现具有广泛的应用价值。例如，在广告和营销领域，可利用这些神经标记物精准评估广告内容的分享潜力，优化广告设计，显著提高信息传播的效果；在社交媒体平台设计中，可依据用户的神经特征，个性化地推荐可能被分享的内容，有效增强用户的参与度和社交互动。
4.4 研究的局限性与未来研究方向本研究存在一定局限性。首先，实验采用观看短视频的任务，虽能模拟社交媒体上的信息浏览情境，但与真实的社交媒体分享行为存在差异。未来研究可在更自然的社交媒体环境中开展，以大幅提高研究结果的生态效度。其次，本研究仅分析了 θ 波和 α 波振荡，未探讨其他频率波段（如 β 波、γ 波）与信息分享意向的关系。未来研究可拓展至多频段分析，全面揭示与分享行为相关的神经振荡模式。此外，本研究未考虑个体差异（如人格特质、社交媒体使用习惯等）对信息分享意向和神经模式的影响，这是未来研究可深入探索的方向。
五、结论本研究通过记录 EEG 振荡，成功发现与信息分享意向相关的神经模式。观看不分享视频的受试者在右半球额叶和顶叶的 θ 波 PSD 幅度更高，观看分享视频的受试者在中央和右额叶部位 α 波 PSD 幅度更低且 FAA 指数更负。这些结果表明，信息分享决策与大脑的注意力分配、社会一致性追求等认知过程紧密相关。同时，基于 EEG 参数和偏好评分的 SVM 模型能有效预测信息分享行为。本研究为理解社交媒体分享行为的神经基础提供了关键见解，为进一步研究信息传播和社交行为奠定了坚实的理论基础并提供了有效的研究方法。
ReferencesAdolphs R. (2009). The social brain: neural basis of social knowledge. Annu. Rev. Psychol. 60, 693–716. 10.1146/annurev.psych.60.110707.163514 - DOI - PMC - PubMedBaek E. C., Scholz C., O’Donnell M. B., Falk E. B. (2017). The value of sharing information: a neural account of information transmission. Psychol. Sci. 28, 851–861. 10.1177/0956797617695073 - DOI - PMC - PubMedBaumeister R. F., Leary M. R. (1995). The need to belong: desire for interpersonal attachments as a fundamental human motivation. Psychol. Bull. 117, 497–529. 10.1037/0033-2909.117.3.497 - DOI - PubMedBerger H. (1929). Uber das elektroenkephalogramm des menschen. Arch. Psychatrie 87, 527–570. 10.1007/BF01797193 - DOIBerger J., Milkman K. L. (2012). What makes online content viral? J. Mark. Res. 49, 192–205. 10.1509/jmr.10.0353 - DOIBerns G. S., Capra C. M., Moore S., Noussair C. (2010). Neural mechanisms of the influence of popularity on adolescent ratings of music. Neuroimage 49, 2687–2696. 10.1016/j.neuroimage.2009.10.070 - DOI - PMC - PubMedBoksem M. A. S., Smidts A. (2015). Brain responses to movie trailers predict individual preferences for movies and their population-wide commercial success. J. Mark. Res. 52, 482–492. 10.1509/jmr.13.0572 - DOIBraboszcz C., Delorme A. (2011). Lost in thoughts: neural markers of low alertness during mind wandering. Neuroimage 54, 3040–3047. 10.1016/j.neuroimage.2010.10.008 - DOI - PubMedBrainard D. H. (1997). The psychophysics toolbox. Spat. Vis. 10, 433–436. 10.1163/156856897x00357 - DOI - PubMedBuzsáki G., Draguhn A. (2004). Neuronal oscillations in cortical networks. Science 304, 1926–1929. 10.1126/science.1099745 - DOI - PubMedCamerer C. F. (2008). “Neuroeconomics: using neuroscience to make economic predictions,” in The Philosophy of Economics: An Anthology, ed. Hausman D. M. (Cambridge: Cambridge University Press; ), 356–377.Cascio C. N., Cin S. D., Falk E. B. (2013). “Health communications: predicting behavior change from the brain,” in Social Neuroscience and Public Health: Foundations for the Science of Chronic Disease Prevention, ed. Hall P. A. (New York, NY: Springer; ), 57–72.Chang C.-C., Lin C.-J. (2013). LIBSVM: a library for support vector machines. ACM Trans. Intell. Syst. Technol. 2, 1–27.10.1145/1961189.1961199 - DOIChawla N. V., Bowyer K. W., Hall L. O., Kegelmeyer W. P. (2002). SMOTE: synthetic minority over-sampling technique. J. Artif. Intell. Res. 16, 321–357. 10.1613/jair.953 - DOICheron G., Petit G., Cheron J., Leroy A., Cebolla A., Cevallos C., et al. . (2016). Brain oscillations in sport: toward EEG biomarkers of performance. Front. Psychol. 7:246. 10.3389/fpsyg.2016.00246 - DOI - PMC - PubMedChristoforou C., Papadopoulos T. C., Constantinidou F., Theodorou M. (2017). Your brain on the movies: a computational approach for predicting box-office performance from viewer’s brain responses to movie trailers. Front. Neuroinform. 11:72. 10.3389/fninf.2017.00072 - DOI - PMC - PubMedCoan J. A., Allen J. J. B. (2003). “The state and trait nature of frontal EEG asymmetry in emotion,” in The Asymmetrical Brain, eds Hugdahl K., Davidson R. J. (Cambridge, MA: MIT Press; ), 565–615.Coan J. A., Allen J. J. B. (2004). Frontal EEG asymmetry as a moderator and mediator of emotion. Biol. Psychol. 67, 7–50. 10.1016/j.biopsycho.2004.03.002 - DOI - PubMedCohen M. X. (2014). Analyzing Neural Time Series Data: Theory and Practice. Cambridge, MA: The MIT Press.Davidson R. J., Ekman P., Saron C. D., Senulis J. A., Friesen W. V. (1990). Approach-withdrawal and cerebral asymmetry: emotional expression and brain physiology: I. J. Pers. Soc. Psychol. 58, 330–341. 10.1037/0022-3514.58.2.330 - DOI - PubMedDelorme A., Makeig S. (2004). EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis. J. Neurosci. Methods 134, 9–21. 10.1016/j.jneumeth.2003.10.009 - DOI - PubMedDmochowski J. P., Bezdek M. A., Abelson B. P., Johnson J. S., Schumacher E. H., Parra L. C. (2014). Audience preferences are predicted by temporal reliability of neural processing. Nat. Commun. 5:4567. 10.1038/ncomms5567 - DOI - PMC - PubMedDoesburg S. M., Roggeveen A. B., Kitajo K., Ward L. M. (2008). Large-scale gamma-band phase synchronization and selective attention. Cereb. Cortex 18, 386–396. 10.1093/cercor/bhm073 - DOI - PubMedDressler O., Schneider G., Stockmanns G., Kochs E. F. (2004). Awareness and the EEG power spectrum: analysis of frequencies. Br. J. Anaesth. 93, 806–809. 10.1093/bja/aeh270 - DOI - PubMedFalk E. B., Bassett D. S. (2017). Brain and social networks: fundamental building blocks of human experience. Trends Cogn. Sci. 21, 674–690. 10.1016/j.tics.2017.06.009 - DOI - PMC - PubMedFalk E. B., Berkman E. T., Lieberman M. D. (2012). From neural responses to population behavior: neural focus group predicts population-level media effects. Psychol. Sci. 23, 439–445. 10.1177/0956797611434964 - DOI - PMC - PubMedFalk E. B., Berkman E. T., Mann T., Harrison B., Lieberman M. D. (2010). Predicting persuasion-induced behavior change from the brain. J. Neurosci. 30, 8421–8424. 10.1523/JNEUROSCI.0063-10.2010 - DOI - PMC - PubMedFalk E. B., Morelli S. A., Welborn B. L., Dambacher K., Lieberman M. D. (2013). Creating buzz: the neural correlates of effective message propagation. Psychol. Sci. 24, 1234–1242. 10.1177/0956797612474670 - DOI - PubMedFalk E. B., O’Donnell M. B., Cascio C. N., Tinney F., Kang Y., Lieberman M. D., et al. . (2015). Self-affirmation alters the brain’s response to health messages and subsequent behavior change. Proc. Natl. Acad. Sci. U S A 112, 1977–1982. 10.1073/pnas.1500247112 - DOI - PMC - PubMedFalk E., Scholz C. (2018). Persuasion, influence, and value: perspectives from communication and social neuroscience. Annu. Rev. Psychol. 69, 329–356. 10.1146/annurev-psych-122216-011821 - DOI - PubMedFerrara E., Yang Z. (2015). Measuring emotional contagion in social media. PLoS One 10:e0142390. 10.1371/journal.pone.0142390 - DOI - PMC - PubMedGauba H., Kumar P., Roy P. P., Singh P., Dogra D. P., Raman B. (2017). Prediction of advertisement preference by fusing EEG response and sentiment analysis. Neural Netw. 92, 77–88. 10.1016/j.neunet.2017.01.013 - DOI - PubMedGlover G. H. (2011). Overview of functional magnetic resonance imaging. Neurosurg. Clin. N. Am. 22, 133–139. 10.1016/j.nec.2010.11.001 - DOI - PMC - PubMedGoldman R. I., Stern J. M., Engel J., Jr., Cohen M. S. (2002). Simultaneous EEG and fMRI of the alpha rhythm. Neuroreport 13, 2487–2492. 10.1097/01.wnr.0000047685.08940.d0 - DOI - PMC - PubMedGollan J. K., Hoxha D., Chihade D., Pflieger M. E., Rosebrock L., Cacioppo J. (2014). Frontal alpha EEG asymmetry before and after behavioral activation treatment for depression. Biol. Psychol. 99, 198–208. 10.1016/j.biopsycho.2014.03.003 - DOI - PMC - PubMedHari R., Kujala M. V. (2009). Brain basis of human social interaction: from concepts to brain imaging. Physiol. Rev. 89, 453–479. 10.1152/physrev.00041.2007 - DOI - PubMedHarmon-Jones E., Gable P. A., Peterson C. K. (2010). The role of asymmetric frontal cortical activity in emotion-related phenomena: a review and update. Biol. Psychol. 84, 451–462. 10.1016/j.biopsycho.2009.08.010 - DOI - PubMedHecht D. (2014). Cerebral lateralization of pro- and anti-social tendencies. Exp. Neurobiol. 23, 1–27. 10.5607/en.2014.23.1.1 - DOI - PMC - PubMed