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。

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：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)}
}