arXiv cs.AI· Winston Chou, M{\aa}rten Schultzberg, Lo-Hua Yuan, Wenjing Zheng, Avi Feller, David Holtz, Widad Machmouchi, Sven Schmit, Gagan Bhat, Simon Ejdemyr, Veronica Hannan, Amy Hartwig, Mahnaz Islam, Nathan Kallus, Jeremy Karp, Kyle Kretschman, Hannah Li, James McQueen, Evan Miller, Nicolas Stier, Sean Taylor·· 1 天前AI 评分29
从更多到更好：AI 时代的因果推断与数字实验
From More to Better: Causal Inference and Digital Experimentation in the Age of AI
AI 导读
基于 2026 年因果推断与数字实验圆桌（CIDER）的视角文章指出，AI 扩大组织数据生产与分析能力后，数据科学家的杠杆从执行单项分析转向评估发现的可靠性与重要性、判断证据能否跨情境泛化。文章从三方面展开：积累单次实验之外的学习价值、组合实验与观察及合成证据、让评估跟上 AI 能力与用法的演进，并区分成熟实践与开放问题。
正文 · AI 翻译
作者：Winston Chou、Mårten Schultzberg、Lo-Hua Yuan、Wenjing Zheng、Avi Feller、David Holtz、Widad Machmouchi、Sven Schmit、Gagan Bhat、Simon Ejdemyr、Veronica Hannan、Amy Hartwig、Mahnaz Islam、Nathan Kallus、Jeremy Karp、Kyle Kretschman、Hannah Li、James McQueen、Evan Miller、Nicolas Stier、Sean Taylor
摘要：人工智能（AI）正在迅速扩展组织生成和分析数据的能力。我们认为，这种扩展将数据科学家的杠杆作用从执行单项分析转向评估发现的可信度和重要性，并判断证据何时能跨情境推广。基于学术研究人员与行业从业者的圆桌讨论，我们考察了从事因果推断与实验的数据科学家可以通过三种方式帮助组织将更强的分析能力转化为更好的决策：在单项测试之外保留并积累实验的学习价值；选择并组合实验性、观察性和合成性证据；以及随着 AI 能力和用途的演进，确保评估跟上 AI 的步伐。在每个领域，我们都区分了既有实践与开放问题。最后，我们讨论了对数据科学的培训与实践以及对组织的启示。
| 注释： | 17 页，1 张表。基于 2026 年因果推断与数字实验圆桌会议（CIDER）的观点文章 |
| 主题： | 人工智能（cs.AI）；应用（stat.AP） |
| 引用为： | arXiv:2611.16335 [cs.AI] |
| （或 arXiv:2611.16335v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.16335 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Winston Chou [查看电子邮件]
[v1]
2026 年 11 月 12 日星期四 05:56:52 UTC（18 KB）
来源：arXiv cs.AI · arxiv.org