文化图式：它们是什么，如何找到它们，以及抓到它们该怎么做？
文化图式是文化影响行为的一个核心认知机制。本文提出了一个文化图式的理论模型，旨在更好地支持实证研究，包括推理、启发和操作性使用。我们提出了一个多层次的框架，围绕文化图式的高层次定义展开，该定义足够广泛，能够涵盖其主要的社会学应用，同时又足够具体，能够识别一系列具有关键功能属性的认知现象：文化图式是可以在自动化（automatic）认知中调用的社会共享表征（representations）。我们基于这一概念，阐述了文化图式的主要理论属性，并提供了明确的标准，以区分它们与其他文化或认知元素。接着，我们提出了一系列具体的实证检验方法，供学术界判断这些属性是否成立。我们还展示了这一方法如何识别现有研究中可能存在的理论推理错误。在较低层次的分析中，我们进一步阐述了如何从算法的层面（即其构成模块）将文化图式概念化。这促使我们建议改进测量文化图式的方法。最后，我们概述了一个更广泛研究计划的问题。
Andrei Boutyline，密歇根大学社会学系
Laura K. Soter，密歇根大学哲学和心理学系（现为约克大学哲学系）
文献来源：
Boutyline, A., & Soter, L. K. (2021). Cultural schemas: What they are, how to find them, and what to do once you’ve caught one. American Sociological Review, 86(4), 728-758.
译者：
王诗宁
Andrei Boutyline与Laura K. Soter
继迪马乔（DiMaggio）于1997发表《文化与认知》一文后，社会学家们越来越倾向于采用认知导向的模型来解释文化如何影响行为。这个模型的核心概念是文化图式，即“表征对象或事件的知识结构，并在信息不完全的情况下提供关于其特征、关系和含义的默认假设”（DiMaggio 1997:269）。新兴的认知社会学研究集中在如何操作化或形式化文化图式的概念，或辨识其运作背后的普遍原则。因此，现在重新审视文化图式的理论基础是十分必要的。要使文化图式概念能够稳健地发挥其解释作用，就需要对什么算作文化图式设定明确的界限。社会学对于文化图式的概念主要有两种理解。大多数社会学研究仍然沿用迪马乔的“默认假设”定义，但越来越多的认知社会学家将其概念化为通过经验积累的隐性关联（implicit associations）网络。后者最早由Vaisey（2009）引入社会学，并将这两种概念呈现为对立的。然而，当我们追溯“隐性联想”观点的起源，发现其根源于形式的联结主义模型（formal connectionist modeling），我们会发现它描述的是与“默认假设”相同的自动模式完成（automatic pattern completion）过程，只不过是在不同的分析层次上。 “默认假设”从功能层面描绘文化图式，而“隐性联想”则从算法层面进行描绘。这些层次适合不同类型的研究：功能层面的概念回答“图式做什么”的问题，而算法层面的概念回答了“图式由什么组成”的问题。文化图式的认知概念起源于社会学之外，而这个跨学科的研究计划从未成功地发展出一个公认的认知图式定义。1980年代，关于统一认知图式概念的研究计划结束了，但富有成效的研究仍然继续在认知科学子领域中考察各种类型的图式，如身体图式、记忆图式等。然而，通过查阅主要的认知科学期刊可以发现，几乎完全没有关于文化图式的研究。因此，认知社会学家如果依赖于来自认知科学的图式理论，可能会犯下双重错误。首先，通过将这些不相干的研究计划视为一个单一的、连贯的理论概念，社会学研究有可能重复原始认知图式研究计划中，其概念过于宽泛的问题。其次，如果没有区分文化图式与其他类型的认知图式，就会掩盖认知科学跨学科领域中的这个空白，而认知社会学家恰好有能力填补这个空白。
本文对文化图式的概念化围绕Marr（1982）用于认知解释的“分析层次”框架展开。其核心思想是，可以对同一认知过程提供不同的描述。这些描述都是正确的，但由于它们回答的是关于该过程的不同问题，因此对不同的研究具有不同的用途。最高层次是功能性或行为性解释，即从过程对有机体行为（或“下游”认知过程）的后果来解释。用传统纸质报纸上的文章做类比的话，在这一层次上，报纸文章是一个媒介，允许少数记者迅速将有关重要事件的信息传达给公众。大多数社会学研究都发生在这一层次上。接下来是表征/算法（algorithmic）层次，它提供了关于过程背后计算任务的模型。这通常涉及对认知内容（表征）与对它们执行的操作（算法）之间的区分。在这一层次上，报纸文章是被表征为书面文本的对事件的描述。使这些表征能够完成其功能的主要算法是写作（将叙事编码为书面文本）以及阅读（将书面文本解码回叙事）。最后，可以从其生物学或物理实现的角度描述同一认知系统。基于大脑区域或神经连接的解释就位于这一层次。这个框架可以帮助我们理解两种图式概念最适合支持哪些社会学应用。许多研究者主要关心图式的功能（即它们如何影响行为）以及图式认知的表现形式（即如何在实证研究中观察到图式）。这些问题立足于功能层面。迪马乔（1997）提出的并由Cerulo（2010）进一步阐述的概念为这些问题提供了现成的答案：文化图式“提供默认假设”（DiMaggio 1997:269），这些假设“帮助我们推断[地方、人物或物体]的作用、它们的位置以及我们对它们的期望”（Cerulo 2010:117）。与此相对，作为“主要是无意识的神经关联网络”（Vaisey 2009:1686）并且“通过反复的具身化经验（即感知、感觉运动、互动经验）发展并储存在长期记忆中的”图式新概念（Wood et al. 2018:246）则处于算法/表征层面，回答了关于图式组成的较低层次的问题。它无法直接回答功能层面的问题，例如，如何在观察自然社会环境时识别出这些关联。单独采纳两种概念中的任何一种都无法完全满足社会学研究的所有需求，因此本文发展出了涵盖这两个层次的概念化框架。迪马乔的“默认假设”概念描绘了图式作为模式完成机制，即通过文化习得的默认假设，比如刻板印象，填补缺失的知识部分。然而，“默认假设”概念存在两个主要的不足。首先，它没有清晰界定什么可以算作文化图式。一个明显的例子是，定义中提到图式“表征对象和事件”。按字面意思理解，这一表述似乎排除了那些表征人、组织或社会规范的图式。但若以宽松的方式来理解此定义，又限制了它精确界定概念边界的能力。其次，迪马乔提出图式认知发生在信息不完全的情况下，这一说法排除了文化图式的其他重要的功能。这些功能包括模式匹配（pattern matching），例如，使用隐性类别或者调用文化脚本，而这些并不需要信息不完全的条件。那么，我们需要的概念应该多广泛呢？好在默认假设、隐性类别和内化的文化脚本有一些关键属性，使它们与其他文化元素等区分开来。鉴于以上考虑，本文提出了功能层面的定义：文化图式是可以在自动化认知中调用的社会共享表征。它包含三个标准：社会共享性、自动性和表征性。 1. 自动化认知
自动化是指当遇到触发刺激时，认知过程会在不需要有意识的注意或控制的情况下自动启动。我们将自动化作为定义的核心，是因为它解释了文化图式对于社会学重要的一个关键原因：图式与行为之间的紧密关系。这正是类别一“自动化”认知过程与类别二“控制”认知过程之间的区别（表1）。类别一中的过程通常是隐性的、无意识的、非陈述性的、快速的；而类别二中的认知过程通常是显性的、有意识的、陈述性的、较慢的。表1. 哪些类型的心理内容符合（或不符合）文化图式的三个标准：自动性、表征性和社会共享性
文化图式可以通过至少三条相对直接的途径影响行为。(1) 作为默认假设的集合。它们在信息不完全的情况下工作，自动填补人们感知、记忆或理解他人所说内容中的空白（模式完成）。 (2) 作为隐性类别，它们通过自动识别不同的观察到的刺激为已知类型的实例，帮助管理过度复杂性（模式匹配）——这种分类过程使得个体细节得以忽略，从而简化推理和记忆。 (3) 作为自动化的文化脚本（包括内化的规范和普遍的文化规定），它们通过触发对熟悉情境的习惯性反应，直接产生行为或情绪。图式的社会共享性指的是图式是通过他人获得的——无论是直接从其他人那里，还是通过某种媒介间接获得。共享性能够将文化图式与非文化图式区分开来。图式在共享程度上存在差异；在学习和获取图式的过程中，所涉及的社会性也有所不同。因此， “文化性”应被视为是渐变的：图式与人们之间表征转移的联系越紧密，它就越具有文化性。当某物具有表征性时，它携带关于现实或想象的世界状态的可诠释信息。因此，表征是有意义的，或者说，是语义性或道德评估性的。如果X是一个表征，那么应该可以提出类似于以下问题：“X描述的是什么？”、“X是否真实？”或“我们是否觉得X在道德上可接受？”。这种表征性特征将文化图式与低阶认知建构区分开来，比如构成了类别一重要部分的运动程序，如适应寒冷气候涉及直接具身化的学习。此外，表征性特征还将文化图式与技术性联结主义用法中的单纯关联区分开来。例如，由于美国国歌的名字（The Star-Spangled Banner），许多美国人可能会自动地将“spangled”一词与爱国的含义联系起来，而这种含义在其他同义词如“sprinkled”、“glittery”或“covered in spangles”中完全缺失。但是，我们最多只能询问为什么或如何这两个概念会发生关联，关联的强度有多大，或者这种关联可能带来什么后果，而无法意义性地询问这个关联的内容是否真实。因此，这种关联不具备表征性。如果没有表征性的特点，“文化图式”将与所有非陈述性文化等同。
（三）功能层次描述的应用
我们的定义为一系列直接的实证和概念性测试提供了基础，以回答任何给定的文化建构是否是图式的问题。表征性的检验已在上文叙述。文化图式的共享性特征可以通过直接观察集体环境中的活动来验证。此外，特别是那些具有规范性内容的图式，可以通过观察图式的违反是否能够为他人所理解来进行验证。类别一认知的特征是自动性：其过程的启动不需要有意识的注意力或不需要调用工作记忆（working-memory）资源；类别二中的认知过程则依赖于工作记忆。自动性通常伴随着一些关键的相关特征，包括高速度、高容量、无意识特征、并行处理以及领域或情境特定性。不过，这些特征并非自动化的完美指标。例如，高速度是类别一处理的必要条件，但不是充分条件。类别二的过程需要付出努力才能启动，而类别一的过程则需要付出努力才能抑制。学者应当问自己所研究的文化建构属于哪一类。在类别一过程中，许多过程可以同时进行。即使在我们执行其他需要较高认知负荷的任务时，它们仍然可以运作。相比之下，类别二过程依赖于一个有限容量的集中式工作记忆系统，无法并行处理多个过程。因此，如果某个过程在执行其他要求较高的认知任务时无法成功启动，那么它不太可能是一个图式。二者的差异被用作认知负荷训练的基础。例如，为了检验某个核心任务是否是自动化的，数字记忆练习要求一组受试者记住一长串随机数字。如果与“无负荷”组相比，他们在核心任务上的表现较差，那么说明该任务需要占用工作记忆资源。尽管行为实验是检验自动性的最佳方式，但它们并不总是适用于社会学研究。在这种情况下，研究者可以询问某个表征是否能够与其他认知负荷较大的任务同时启动。对于许多图式，自动化还可以通过构建情境故事来测试，这些情境故事要求受试者具有特定图式，才能够毫不费力地理解它们。大多数类别一过程是非语言性的，因此，如果某个建构涉及复杂的语言表达，它就不太可能是一个图式。此外，类别二的知识可以是独立于情境的和抽象的，而类别一的知识通常是特定于某一领域的，与其学习情境高度相似的情境紧密相连。类别一推理背后的原则可能无法在没有类别二过程帮助的情况下转移到其他领域。领域特定性是自动化的一个不完美相关特征，我们并不预设所有文化图式都是领域特定的。但是本文建议仔细审视“某一文化图式通常在各个领域中发挥作用”这一说法。这突显了“文化图式”的认知概念与其在文化社会学中较早的非认知理解之间的冲突。后者由休厄尔（1992）著名地阐述：他认为文化图式能够轻松地在高度多样的领域中发挥作用。
为了展示我们的方法，我们将其应用于休厄尔（1992）提出的商品化图式。他将这一图式作为其“深层结构”图式概念的主要例子。这一图式可以粗略地表述为“如果X有用，那么X就可以用来买卖。以下的情景通常可以通过此种图式被毫不费力地理解：“我也真的很想买一个，但当我到商店时，我才意识到我的信用卡已经刷爆了。” “我也真的很想买一个”可能指的是在该商店可以买到的某个物品。这种轻松和无意识的状态表明，我们确实拥有一个商品图式。为了检查我们是否能够轻松地将其转移到不太熟悉的情境中，我们接下来构建了一个近年来发生的商品化创新的情境：“我真的很想尽快到我的飞机座位，但当我到达登机柜台时，我才意识到我的信用卡已经刷爆了。” 要无缝地理解这段话，我们需要认识到，由于提前登机是一项有用的服务，因此可以通过付费购买。我们怀疑大多数读者无法轻松地理解这个情境，因此将商品化图式自动地转移到真正新颖的领域似乎不太可能。此外，航空公司管理层并非无意识地发明了收取提前登机费用的想法。相反，更可能的是，这是由那些专门为航空公司寻找新收入来源的员工刻意设计出来的。因此，尽管我们可以轻松地将商品图式应用于已知的情境，但我们可能无法在没有类别二认知的情况下将其转移到新的领域——除非我们将其作为一种有意识可访问的、陈述性文化建构来使用，而不是作为一个图式。
Vaisey（2009:1686）将图式定义为“文化认知结构，源自经验的积累，使个体能够以自动生成的方式响应刺激，这些反应由当前元素之间加权的关联生成”，以及“深层的、主要是无意识的神经关联网络，有助于感知、阐释和行动”。这个概念有两种解读方式。一种是将其理解为关于大脑神经连接的生物学层面陈述。然而，图式如果是通过经验发展起来的互相连接的神经元结构，那么它可以描述任何个体学习的产物。这种解读过于宽泛，不具有分析的价值。本文采用另一种解读，将其理解为是一个表征/算法层面的主张，认为图式可以被计算建模为人工“神经网络”——这是一类高度抽象的动态网络模型，与生物神经元的关系仅仅是松散的隐喻。认知被理解为为激活状态在加权的简单计算单元网络（称为“神经元”）中的扩散。不过，这种理解也是过于宽泛了。一些社会学家已经默默地使用了一种更具体的联结主义图式概念，我们称之为“隐性概念网络”（Implicit Concept Network，简称ICN）。在ICN中，所有节点都专门对应于概念、观念、态度和其他有意义的认知对象（以下均简称“概念”）。ICN完全由通过成对隐性关联联系在一起的概念组成。因此，概念的意义完全通过它们与其他概念之间的关系来捕捉。对ICN的描述乍看起来与Vaisey（2009）的概念非常相似，但Vaisey的概念没有明确指出网络是如何表征概念的，而ICN的定义暗示它们使用的是局部化表征（localist representations）——一种简单直观的表征方式，其中每个节点对应一个（有意义的）概念。因此，ICN是一种特定类型的联结主义模型。图1展示了一个典型的ICN。 其中，每个节点代表一件家具。在训练过程中，网络通过同时激活与每个房间中看到的家具对应的节点集合来展示一系列房间。例如，网络可能通过激活衣柜、床和床头柜的节点来展示一个典型卧室。然后，网络通过遵循赫布原则（Hebbian principle）进行学习，即如果两个节点同时被激活，它们之间的连接强度就会增加。经过训练后，网络能够根据已有的信息推测出房间的类型。
如前所述，Vaisey引入的隐性关联与默认关联概念描述的是同一种现象：使得模式完成得以实现的图式。两种概念是互补的：功能层次的概念决定了算法层次模型必须解释哪些属性，而算法层次模型则反过来为这些属性提供更深刻的理解。隐形关联与图式在功能性上有重要的区别：只有在成功学习预测环境的稳定特征之后，ICN才会开始表征图式。因此，图式是关联学习的一个可能产物，但并非每一组关联都是图式——只有当ICN内化了一个可预测的环境模式时，图式才会出现。要回答一个给定的估计的ICN是否捕捉到了一个图式，需要超越算法层面，进行额外的验证，即看它是否能够履行图式的相关功能。如前所述，在ICN中，每个连接的权重T(A, B) 是由A和B在学习环境中同时出现的频率决定的。大致来说，你想到A，T(A, B)就决定了你想到B的可能性。因此，权重 T(A, B)可以通过顺序启动（sequential priming）来测量，即在呈现A后，个体对B的识别速度（或反应的可能性）有多快。此外，它也可以通过隐性联想测试（Implicit Association Test，简称IAT）来衡量。IAT测量的是在心中同时激活A和B的相对容易程度。 （3）关系性（relational）与联结主义（connectionist）模型文化的关系性视角比联结主义模型提出得早。其最终的产物是一个静态的领域关系图，其中一个词或符号的意义通过它与其他词的语义关系来体现。然而，认知科学中的联结主义模型不仅关注网络中节点的位置，而是关注节点之间激活的流动，因此能够建构出动态模型。联结主义网络同时对内容和过程进行建模：它们不仅描绘了表征，还提供了算法。ICN的一个局限性在于，它们完全是通过概念之间的联结来表征概念的意义，而这些概念通常是离散的、可有意识地接触的概念。然而，复杂的语义记忆系统不仅仅依赖于这些直接的联结。相反，它从观察到的共同出现中进行抽象和概括，针对概念的共享特征构建出无意识性的下层心理模型——这是一个将语义记忆与简单的情节记忆区分开来的更深层次的认知步骤。这限制了ICN在现实中学习大量相互关联的图式的能力。例如，当一个包含15000个不同概念的ICN表征学习一个额外的概念X时，由于ICN不对其所表征的概念进行概括，学习X的含义需要ICN估计X与每个15000个概念之间的关系。然而，这在认知上是不现实的，因为实际上人类只需少数几个例子就能学习新的概念。此外，即使拥有非常大的输入语料库，基于ICN的方法也只能提取相对较少的文化图式。这限制了ICN作为实证工具，在大数据中发现大量相互关联的图式的实际应用性。具有分布式表征（distributed representations）的网络克服了这些限制。在其最简单的形式中，这些分布式网络增加了“隐藏节点”层，这些节点所表征的特征低于概念层面，而非各自独立的、有意义的概念（如图2所示）。
在分布式网络中，概念通过与“隐藏节点”的加权联系来表示，这些隐藏节点对应于概念的细粒度特征，位于我们有意识地用来推理特定领域的术语之下。值得注意的是，隐藏节点的数量通常较少。Word2Vec背后使用的便是分布式网络。认知科学和社会学的最新研究已经成功地使用Word2Vec训练的词嵌入模型，研究了由百万甚至十亿字文本语料库所暗示的文化图式。在每个训练步骤中，Word2Vec从语料库中提取一段短文，省略一个焦点词，并激活输入节点（图2中的X），这些节点对应于该段落中剩余的每个单词。然后，激活沿着加权连接从输入节点扩散到隐藏节点（h），再到输出节点（Y），在输出节点上表示网络对省略词的猜测。如果它猜错了，就会通过反向传播误差，调整用于做出错误猜测的连接权重，以便将来更有可能做出正确的猜测。不过，并不是说Word2Vec或其他分布式网络总是优于ICN。分布式表征在认知上更为现实，并且具有更强的计算能力，但它们需要大量的输入数据，这可能限制它们的实际应用。此外，本文认为，基于ICN的方法应该使用经过验证的工具（如IAT）来通过行为测量去估算连接权重。相比之下，如何从实际观察到的行为中直接测量构成分布式表征的连接权重并不明确；这些权重需要间接估算，依赖于在大型语料库中找到的这些关联的痕迹。在算法层次上，图式被我们概念化为概念间隐形关联网络。在未来的研究中，研究人员在选择算法层次的模型时，应确保该模型：(1) 清晰而简洁地表达了与研究问题相关的功能层面的特征，(2) 并且能够从手头的实证数据中进行估算。在功能层次上，文化图式被概念化为社会共享的表征，可在自动认知中被调用。文化的认知社会学研究通常集中于两类在认知心理学和其他认知学科中相对被忽视的现象：（1）跨越大型社会或历史规模的宏观社会过程，和（2）在自然设置中发生的真实微观社会行为。前者在休厄尔的研究中最受关注，但本文认为他的观察与文化图式的认知概念之间存在张力。那么，我们如何解释文化图式在历史上表现出的可转移性呢？答案在于文化图式的另一个功能层面特征：图式是一种表征。图式的表征内容可以外化为公共表达，也可以内化为个人文化——尽管在公共形式中，它们将是公共表征，而非图式。例如，一位经验丰富的司机，在专心与人交谈的同时成功地完成了左转。在没有有意识地思考驾驶的情况下，这位司机仍然能够自动地打开转向灯，移到最左侧的车道，完成左转。这些规则是共享的、可自动调用的表征——但当她最初从驾驶考试手册中学习这些规则时，它们需要有意识努力才能正确遵循。在这三种形式——驾驶手册中的公共表征、个人的陈述性文化以及最终的个人非陈述性文化——中，持续存在的是图式的表征内容。不过，正是从非陈述性文化到陈述性个人文化的反向路径，可能揭示了我们要强调的答案。Karmiloff-Smith（1994）称这一过程为表征重述（representational redescription），是一种将隐性信息逐渐转化为该系统显性知识的过程。这个过程可能使文化图式的表征内容能够为有意识的认知所使用，我们猜测，这可能是将这些表征转化到新领域时通常需要的过程。一旦这些表征内容被转化以涵盖新的情境，它们就可以再沿着反向路径传播，最终逐渐成为自动化认知的常规化过程。这个过程的最终产物是一个文化图式，它在很大程度上与原始图式相似，但现在可以应用于更广泛的领域。因此，表征重述可能对于社会再生产至关重要。不过同时，因为表征重述将图式暴露于可能的转变过程中，使得常规行为成为可能的图式也可能矛盾性地成为社会变革的重要途径。因此，本文认为，不同文化图式的表征内容在公共表征、个人陈述性文化和个人非陈述性文化这“文化三角”之间的不同路径，应该成为认知社会学的一个核心研究领域。编译｜王诗宁
审核｜洋芋
终审｜王雨晨
©Sociology理论志
