第5课 · 开放探讨：规则沙盘复现

本练习用显式规则生成 20 位合成员工的提交决定，来源标记为 rule_simulation。浏览器打开 ../index.html 即可使用；Python 使用标准库，R 使用基础包。

默认复现

Python 3：

python reproduce.py --out rule_output.csv

R（仅使用基础包）：

Rscript reproduce.R rule_output.csv

默认参数：seed=42、alpha=1、gamma=0、leader=open、wording=A。默认结果与 ../data/rule_default.csv 对应，20 行、每人一行。CSV 使用 UTF-8 BOM、LF 换行，连续数值保留 10 位小数。

改变条件：

python reproduce.py --seed 43 --alpha 0 --gamma 1 --leader closed --wording B --out test.csv
Rscript reproduce.R test.csv 43 0 1 closed B

R 参数顺序固定为：输出路径、种子、alpha、gamma、leader、wording。Python 使用命名参数。运行时会写入指定输出文件；请选择新文件名以免覆盖已有结果。

怎么读代码

先运行默认参数，再按下面顺序读。英文注释解释每一步为什么这样做；Python 的 rng() 和 simulate() 分别对应 R 的 rng() 与 lapply() 部分。

1. 找到 MOD、FIELDS（R 中是 data.frame 的列名）。MOD 是随机数公式的模数；字段顺序决定 CSV 每列的含义。
2. 读 rng(seed)。LCG 每次用上一次 state 算出下一次 state，再除以 MOD，得到 0 到 1 之间的伪随机数。同一个种子会重现同一序列。
3. 找到 attributes 和 draws（R 为 draw）。画像流固定为 731；决策流由 seed 控制。先改 seed，检查 benefit、cost、receptivity 是否保持不变。
4. 读每人的三个属性。benefit 是收益，cost 是成本，receptivity 是对领导回应的敏感度。它们是合成输入。topic 按编号轮换，四类各有五人。
5. 读 z 和 p。z 是 logit，即概率的对数几率；sigmoid 把 z 转为概率 p。leader 决定 +1 或 −1，wording 决定 0 或 1；alpha、gamma 决定这两项的强弱。
6. 找到 u < p。u 是该人的决策抽样值；小于 p 就提交。比较条件时固定 seed，让同一人复用同一个 u，这就是配对比较。
7. 读 spoken。它只保留提交者；不同 topic 的数量除以 4 是话题覆盖。没有人提交时，覆盖为 0。
8. 最后读导出部分。决策用未舍入数值；CSV 连续数值保留十位小数。先核对 source、seed 和条件，再比较每人的 p、u、voice。

常见代码词：yield = 每次给出一个值；next = 取下一个值；lapply = 对每个编号执行同一步；row = 一行记录；schema = 列名与排列约定；validation = 检查输入或结果；paired = 配对；logit = 对数几率；sigmoid = 把任意实数映射到 0—1 的函数。

读完后只改一个参数：把 alpha 从 1 改成 0，保持其他设置相同，分别运行 open 与 closed，看看两个条件的 p 和 voice 是否一致。

真正计算的规则

z = -0.4 + 1.3 * benefit - 1.6 * cost + alpha * L * receptivity + gamma * W

p = 1 / (1 + exp(-z))；u < p 时 voice=1，否则 voice=0。

L：open=1、closed=-1；W：A=0、B=1。alpha、gamma 均为人为指定，默认并未根据任何论文或真人资料估计。alpha 范围 -2..2；gamma 范围 -2..2。alpha=0 取消领导回应效应，负值将内置方向反转。gamma 是直接加入公式的改写扰动，不是语言模型测得的敏感性。

LCG 的 state = (48271 * state) mod 2147483647，返回 state/2147483647。画像种子始终为 731，每人连续取 benefit、cost、r，receptivity=0.5+r。依次生成 20 人。话题按 ID 循环排列，每类 5 人。决策序列另用用户指定种子，每人取一个 u；四格中同一 ID 使用同一个 u。种子必须为 1..2147483646 的整数。

数值的有限精度可能造成极小的平台差异；默认数据应逐字段核对。页面显示三位小数，导出十位小数，决定使用未舍入数值。不要从显示值重新计算边界决定。

字段字典

• source：固定 rule_simulation。
• rule_version：固定 voice-rule-v1。
• profile_seed：固定画像种子 731。
• seed：当前决策种子。
• alpha：领导回应敏感度假设系数。
• gamma：人为的改写扰动系数。
• leader：open 或 closed；仅为实验情境标签，不是心理安全量表。
• wording：A 或 B。
• id：合成员工编号 1..20；不是受试者标识。
• topic：quality（质量）、efficiency（效率）、coordination（协作）、customer（客户）。
• benefit / cost：合成收益 / 成本，取值 [0,1)。
• receptivity：合成回应敏感度，取值 [0.5,1.5)。
• p：规则给出的提交概率。
• u：本次决策伪随机数，四格配对复用。
• voice：是否提交（0/1）。

建言比例 = voice 均值。话题覆盖 = 提交者不同 topic 数 / 4，零提交时为 0/4；这不是语义多样性或建议质量。固定画像、独立决策、无社会互动、无心理安全中介，是本练习的明确限制。不能据此推断真人因果效应或模型行为。

从沙盘到研究

真实模型实验须另外执行并留存完整提示和原始日志；记录模型版本、运行日期与时区、temperature、top_p、max_tokens、全新会话、失败与重试。每格重复采样不是增加真人样本。详见页面的研究协议。最后在获得适当审批与同意后，用不参与开发的目标人群数据做留出验证，预先冻结指标和可接受误差。

方法阅读：Park 等 v3；Gao 等 2025。二者不为本练习的参数背书。