天使飞过：无监管课堂的"自发静默"现象

背景

相信很多人学生时代都有过这样的经历：没有老师的自习课，教室里像集市一样吵闹；可一旦听到走廊里传来熟悉的脚步声，又能瞬间变得鸦雀无声。

但更有趣的是，有时候根本不需要老师现身，同学们也能在极其短暂的时间内，不约而同地安静下来。明明没有人喊"老师来了"，明明没有任何明显的警告，可全班就像是商量好了一样，突然就没人说话了。这种"自发静默"的现象，确实耐人寻味。

群体默契与心理暗示

人是社会性的动物，很容易受周围环境的影响。当一个人率先安静下来，其他人也会不自觉地效仿，最终形成某种"无声的默契"。

此外，心理暗示的作用同样不可忽视——一句"老师来了"，一个示意安静的手势，足以让所有人瞬间进入"课堂模式"，仿佛条件反射般自觉安静下来。

复杂系统理论

我们不妨把课堂看作一个复杂适应系统，学生就是系统中的个体，彼此互动，共同营造课堂氛围。当老师出现，或者有学生率先闭上嘴巴，其他学生也会随之行动——这既是"从众心理"的体现，也是复杂适应系统中"涌现"现象的体现。课堂氛围的变化，也是系统对内外环境变化的自适应。

那么，什么是复杂适应系统？简单来说，就是由众多相互作用、不断适应的个体所组成的系统。在这个系统中，个体之间并非孤立存在，而是通过种种联系紧密相连，共同构成一个有机整体。个体在与环境及其他个体互动的过程中，不断学习、进化，从而使整个系统呈现出动态平衡和自组织的特性。

什么是"涌现"？就是系统整体所表现出的性质，并非个体性质的简单叠加，而是由个体之间相互作用所产生的新性质。比如蚁群的智慧，并非单个蚂蚁所具备，而是由无数蚂蚁协同合作所产生的。

建模思路

自习课上高谈阔论，这种行为多少有点"违规"。从小接受的规则意识教育，使我们在违反纪律时产生一种微妙的负罪感，于是在精神上处于一种高度警觉的状态。

心理学上认为，老师在学生心中具有权威形象，代表着规则和秩序。老师一旦现身，学生潜意识里就会自觉遵守纪律，肃然安静。这就是条件反射——就像巴甫洛夫的狗听到铃声会流口水一样。

学生的精神处于高度警觉状态，各种感官都被调动起来，随时关注教室外每一个"危险"信号。动物行为学家把这种高度紧张的状态，及表现出应对未知危险的行为趋势称为"冻结反应"（The Freeze Response）。

如果有人误以为从窗户反光中看到了老师的身影，多会选择噤声自保。随着发声的人减少，环境音量因之降低，反而更能引起其他人的警觉，使其纷纷效仿。在这个正反馈效应中，教室内音量降低的速度越来越快。原本喧闹的教室，在看似没有任何警报的情况下，在极短时间内变得鸦雀无声。

方法与结果

一维元胞自动机

我们用一维元胞自动机来模拟这个过程。元胞自动机是由一列元胞构成的，每个元胞有自己的状态，按照规则在下一个时间步更新状态。

在这个模型中，我们模拟的是一个五十人课堂的场景，每个元胞代表一名学生。每个学生可以处于"说"或"听"两种状态。我们用一列元胞来模拟课堂中学生们的状态，给每个元胞赋一个数值，正数表示"说"，负数表示"听"。

假设时间步长为每0.1秒，学生说一句话最长需要10秒。我们给每个元胞随机赋值为-100到+100之间的整数。每个时间步，让状态数值的绝对值减1。如果元胞初始值为+100，经过100个时间步后减到0，表示一句话说完，需要10秒。当数值归零，下一个时间步就重新随机赋值于-100到+100之间。这样就能模拟出课堂中人声鼎沸的情形。

我们用18000个时间步来模拟三十分钟内五十名学生在自习课上的聊天情形。

通过统计当前时刻课堂中发言学生的人数，来衡量当时的噪音音量。

冻结反应

现在，我们把学生对老师的"心理阴影面积"和"冻结反应"考虑进来。为每个学生增设一个对低音量的警觉性x（注意，每个人对噪音的敏感程度不同，所以警觉性也有所差异）。

例如，对于学生甲来说，如果课堂内说话的人数少于x人，他就会进入警戒状态，停止说话一秒。有些学生"心理阴影面积"比较大，更容易把音量下降误认为是老师出现带来的"压迫感"，所以x值相对较高；而胆大的学生，则需要等到课堂中只剩他一个人在跟同桌说话时才能意识到，x值就比较小。我们把这个x称为"心理阴影面积最小冻结音量"，简称"最小心冻音量"。

在现有的一维元胞自动机基础上，我们需要添加新规则：在更新每个学生（元胞）状态数值时，先观察上一个时间步（即前0.1秒）的噪音音量是否低于该学生的最小心冻音量（即该元胞的x）。如果是，则在下一个时间步将状态数字重置为-10，表示接下来一秒内（十个时间步）该学生将采取"停、看、听"的策略；如果否，则按原规则继续填入数值。

每次重置，都有可能使课堂噪音下降，逐渐逼近另一位学生的最小心冻音量x，促使更多人产生冻结反应。这就是"自发静默"现象的成因。

在这次模拟中，三十分钟内五十名学生在自习课上的聊天情形，引入最小心冻音量后，在约160秒左右，出现了自发静默的现象。

在web应用上试一试

群体默契发生与否，与系统规模存在复杂关联，非线性复杂系统对初始参数非常敏感，所以模型的参数化过程需要谨慎。通过元胞自动机模拟所得数据，我们可以探究学生"最小心冻音量"对"自发静默现象"的主效应。

在这个模型中，每个元胞的初始状态是随机的，只需要对每个学生的最小心冻音量进行参数化设定。

为了让模拟更契合实际情形，我们设置了对老师出现不太敏感的学生，其最小心冻音量的最小值设为3（x_min = 3），即当课堂中仅剩3名学生说话时，该学生方才进入"冻结"状态。至于最小心冻音量的最大值，因难以依据现实情境确定，需通过模拟试验来探求。需要注意的是，如果无法对模型进行适当的参数化，则难以在有限（可计算之）时间步内观察到自组织现象的发生。

在x_min = 3，且x_max = 17的参数下，我们进行了一万次模拟，并记录每次模拟中所有学生最小心冻音量之和S_x = Σ_i^50 x_i，与自发静默现象发生时间T（模拟时间步最大为18000，即三十分钟）的关系。

表1：自发静默之现象发生时间与学子"心理阴影面积"之总和的线性回归

我们将x_max的最大值设为15到19，分别进行了上千次模拟。随着x_max增加，自发静默现象的时间提前。统计这组实验中三十分钟内出现沉默现象的次数，计算频率。通过逻辑斯蒂回归获得拟合方程：

图6：逻辑斯蒂回归模型 y=[1+exp(-1.463x+21.019)]^{-1} 及阈值

上述模型可以这样理解：自习课堂上，当同时说话的学生人数降到一定数目以下时，将引发连锁的"冻结反应"，可能导致课堂在极短时间内趋于寂静。在三十分钟的自习课中，如果五十名学生中最小心冻音量（心理阴影面积的替代变量）的最大值超过临界点14（tipping point），则自发静默现象发生的可能性大为增加；如果最大值超过19，则在三十分钟内至少出现一次沉默现象的概率极高。

结语

“冻结、逃跑、战斗”（Freeze, Flight, Fight）三者，似乎已成为动物和人类面对危险时普遍的行为趋向。科学研究表明，停止活动作为一种本能反应，对被捕食的猎物而言，可能是最合理的选择。这是因为食肉哺乳动物的视觉皮质与视网膜，在进化过程中，对动态物体的察觉愈加敏锐。所以猎物若能善用"停、看、听"以自保，便更有可能逃脱天敌的追捕。在自然选择之下，我们的大脑边缘系统学会评估周围环境的危险等级，这种预警机制的形成与保留，确实有助于我们的生存和繁衍。

在国外，有一个短语专门用来描述这种突然安静的现象，叫作"天使飞过"（Angel passing by）。

也许有一些老师真的是我们生命中的天使。直到长大成人，我才渐渐感受到教师这个职业的伟大。当我们发现靠自律来养成好习惯，不是一件容易的事情，才知道曾经的那些严格要求，帮我们在残酷的升学制度的竞争中克服了拖延和懒惰。

回首人生最初的十几个春秋，有一些人仅仅在你生命长河里出现一两年，甚至更短的时间，却真心地为你着想。越长大，身边这样的人就越少了。希望大家能对那些让你学会"闭嘴保平安"的"天使"们说一声谢谢。

即便如此，自习课上还是少不了几个"牺牲品"，来帮助老师杀鸡儆猴。玩归玩，闹归闹，别拿老师开玩笑。

附录一：元胞自动机实现

i <- 1
timestep <- 1
timeout <- 18000
students <- 50
t0 =  round(runif(students, -100, 100))
ca <- cbind.data.frame(t0)
volume <- vector(mode="numeric")
volume[timestep] <- sum(ca[,timestep] > 0)
mentalshadow <- round(runif(students, 3, 19))

while(volume[timestep] != 0){
  for(i in 1:students){
    if(volume[timestep] < mentalshadow[i]){
      ca[i, timestep + 1] <- -10
      }
    else {
      if(ca[i, timestep] == 0) {
        ca[i, timestep + 1] <- sample(-100:100, 1)
        }
      else if(ca[i, timestep] > 0) {
        ca[i, timestep + 1] <- ca[i, timestep] - 1
      }
      else {ca[i, timestep + 1] <- ca[i, timestep] + 1}
    }
  }
  colnames(ca)[timestep+1] <- paste0("t", timestep)
  timestep <- timestep + 1
  if(timestep == timeout){volume[timestep] = 0}
  else{volume[timestep] <- sum(ca[, timestep] > 0)}
}

附录二：向量计算的陷阱

在 R 语言中，向量计算往往因其高效性而被广泛采用，向量化操作比 for 循环更快，这是因为 R 的底层计算基于 C 语言优化，使得整个向量可以一次性传递给计算函数，而无需逐个元素进行解释和处理。

在根据规则来生成模拟数据时，通常优先考虑向量计算（ifelse），而非循环遍历。然而，在涉及随机赋值的情境下，如果不加注意，向量计算可能会意外地引入“锁步”的陷阱，引入模式化的行为，破坏了模拟的随机性和异质性。

同步演变下的异常模式

如本文的模拟场景，每个个体的状态数值可以在一定范围内波动，遵循以下规则：

1. 若状态为正数，则逐步减少；若状态为负数，则逐步增加。
2. 若状态为 0，则该个体会被赋予一个新的随机值。

ifelse(state == 0, sample(new_values, 1), state ± 1)

这个过程应该保持较高的个体异质性。当我们使用向量计算直接实现时，个体状态是同步变化。

set.seed(1)

ca <- data.frame('step0' = round(runif(50, min = -100, max = +100)))

for (t in 1:100) {
  ca_rule <- ifelse(ca[, t] == 0, sample(-100:100, 1),
                    ifelse(ca[, t] > 0, ca[, t] - 1, ca[, t] + 1))
  ca[,ncol(ca) + 1] <- ca_rule
  colnames(ca)[ncol(ca)] <- paste0("step", t)
}

rownames(ca) <- paste0("Student ", 1:50)

表面上看，这段代码完美执行了我们想要的规则。然而，这里的问题在于 sample(-100:100, 1) 仅生成一个随机数，然后将这个单一数值赋给所有状态为 0 的个体。

如果某个时间步内有多个个体同时满足 state == 0 的条件，它们将在该时间步获得完全相同的值，并在接下来的演化中保持相同的变化趋势。

pheatmap(ca, 
         cluster_rows = TRUE, 
         cluster_cols = FALSE,
         show_rownames = TRUE,
         show_colnames = FALSE,
         treeheight_row = 0)

这种模式的典型特征是：

• 如上图，某些个体状态的演化轨迹变得完全相同，形成“锁步”。
• 预期的个体异质性被破坏，可能导致整个模拟结果失真。
• 若同步个体的比例较大，模拟结果可能与预期目标产生较大偏差。

这种现象削弱了模拟的随机性，影响个体层面的异质性，甚至改变原本预期的模拟行为。

如何避免？

要保持个体间的独立性，我们需要确保每个个体的状态更新过程真正独立，特别是在随机赋值时。最直接的方法是为每个需要重新赋值的个体单独生成随机数，而不是使用一个统一的随机值。

一种方法是先找到所有满足 state == 0 的个体索引，然后逐个赋予不同的随机值。这一方式可以避免同步陷阱，同时仍然保持向量计算的高效性。

vectorized_update <- function() {
  ca <- data.frame('step0' = round(runif(50, min = -100, max = +100)))

  for (t in 1:1000) {
    zero_indices <- which(ca[, t] == 0)  
    new_random_values <- sample(-100:100, length(zero_indices), replace = TRUE)  

    ca_rule <- ifelse(ca[, t] == 0, NA,  
                      ifelse(ca[, t] > 0, ca[, t] - 1, ca[, t] + 1))
    
    if (length(zero_indices) > 0) {
      ca_rule[zero_indices] <- new_random_values
    }
    
    ca[, ncol(ca) + 1] <- ca_rule
    colnames(ca)[ncol(ca)] <- paste0("step", t)
  }
}

与之相比，传统的循环遍历方式可以逐个为每个个体生成随机数，从而保证了个体更新的独立性，避免了“锁步”模式的出现，但这种方法往往牺牲了运行效率。

loop_update <- function() {
  ca <- data.frame('step0' = round(runif(50, min = -100, max = +100)))

  for (t in 1:1000) {
    ca_rule <- numeric(50)
    for (i in 1:50) {
      if (ca[i, t] == 0) {
        ca_rule[i] <- sample(-100:100, 1)
      } else if (ca[i, t] > 0) {
        ca_rule[i] <- ca[i, t] - 1
      } else {
        ca_rule[i] <- ca[i, t] + 1
      }
    }
    ca[, ncol(ca) + 1] <- ca_rule
    colnames(ca)[ncol(ca)] <- paste0("step", t)
  }
}

• ifelse() 向量化操作的底层用 C 语言实现，比 for 逐个遍历快很多。
• 同时，因为 sample() 在 vectorized_update() 中一次性生成多个随机数，而 loop_update() 逐个生成，调用次数远多于向量化方案。
• 此外，which(ca[, t] == 0) 一次性找到所有 state == 0，也比循环判断更高效。

预期向量化方案将比循环遍历快得多，尤其当 t 变大时，累积性能差距更明显。

replicate(5, system.time(vectorized_update())["elapsed"])
0.340000000000146
0.319999999999709
0.340000000000146
0.270000000000437
0.25

replicate(5, system.time(loop_update())["elapsed"])
2.5
2.42000000000189
2.40999999999985
2.90000000000146
2.88999999999942

通过 system.time() 测量后，我们可以发现向量化方法在大规模数据下通常能显著缩短运行时间，而循环遍历的开销较大。

综上，尽管向量化计算在性能上具有无可争议的优势，尤其在大规模数据或长时间步模拟中能够显著缩短运行时间，但在处理随机化操作时必须格外谨慎。

对比之下，采用自下而上、逐个遍历的方式（即使用 for 循环逐个处理每个元素）虽然在性能上有所牺牲，却能确保每个元素获得独立的随机数，从而保留向量中各个元素的独立性，进而提升模拟结果的科学性和可靠性。