我们开发了一种通过通信进行信息交换的模型，并研究其对大型社会中信息聚合的影响。 底层状态决定了不同行为的回报。 代理决定哪些其他人形成昂贵的通信链接，并产生相关成本。 在接收到与底层状态相关的私有信号后，他们通过诱导通信网络交换信息，直到采取（不可逆的）行动。 我们将渐进学习定义为随着社会变大，采取正确行动的智能体在概率上收敛的比例。 在真实通信下，我们表明，如果（并且在某些附加条件下，也仅当）在诱导通信网络中，大多数代理距离接收和分发大量信息的“信息中心”不远，就会发生渐进学习。 因此，渐近学习需要将信息汇总到少数代理手中。 我们还表明，虽然真实的交流可能并不总是最好的React，但当交流网络诱导渐进学习时，它是一种平衡。 此外，我们将均衡行为与社会最优策略配置文件进行对比，即最大化总福利的配置文件。 我们表明，当网络诱导渐近学习时，均衡行为会导致最大的总福利，但当渐近学习不发生时，情况可能并非如此。 然后，我们系统地调查了哪些类型的成本结构和相关的社会集团（由零成本相互联系的个人群体组成，例如友谊网络）确保导致渐进学习的通信网络的出现。 我们的结果表明，拥有 599 个足够大的社会集团的社会不会诱导渐进学习，因为每个社会集团本身都会有足够的信息，这使得与他人的交流相对没有吸引力。 如果社会派系既不太多也不太大，则渐近学习结果，其中鼓励跨派系的交流。
