Recidivism Prediction, Peer Effect Estimation, and Prediction-Powered Inference with LLM Text Measures
基于大语言模型文本测量的再犯预测、同伴效应估计与预测辅助推断AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接处理内生网络中的同伴效应，并采用工具变量和去偏推断，文本支持网络与干扰及因果推断两个方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
基于大语言模型文本测量的再犯预测、同伴效应估计与预测辅助推断
- 研究问题
- 当行为结果由大语言模型从文本中提取、社交网络形成又具有内生性时，如何估计同伴效应，并用有限人工标注校正推断？
- 方法与思路
- 作者提取文本嵌入与零样本分类，构建适应多元结果、稀疏网络和多维潜在同质性的工具变量估计，再结合人工标注进行预测辅助推断。
- 材料陈述的贡献
- 摘要称文本使样本外再犯预测最高改善百分之三十，并建立稀疏条件下的渐近正态理论；预测辅助方法用于去偏同伴效应推断。
- 阅读关注点
- 应核对工具变量有效性、网络稀疏与潜在同质性条件、文本预测的评价指标，以及人工标注如何支持去偏和有效标准误计算。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明预测改善的具体指标或完整识别条件，同伴效应显著性仅为作者报告。
原文摘要
We provide a new framework for estimating peer effects when outcomes are multivariate behavioral measures derived from written text using an LLM and the network formation is endogenous. We obtain LLM embeddings and zero shot classification of more than 200,000 written exchanges among residents of low-security correctional facilities. We find that LLM embeddings improve out-of-sample recidivism prediction by up to 30% over pre-entry covariates alone using LASSO and LoRA fine-tuning, showing that text representations capture meaningful signals. For peer effect estimation, we develop a novel instrumental variable estimator that accommodates multivariate outcomes, sparse networks, and multidimensional latent homophily. We show that this estimator is $\sqrt{N}$-consistent and asymptotically normal under sparsity conditions that relax dense-network assumptions prevalent in the peer effect literature. Limited human annotations are then combined with LLM zero-shot vectors in a new prediction-powered peer inference (PPPI) approach to obtain de-biased estimates and valid inference. Results reveal significant peer effects in the behavioral profiles.