Causal Inference on Outcomes Learned from Text
对从文本中学习的结局进行因果推断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：摘要明确以随机试验为基础，对文本学习得到的结局开展处理效应推断。
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…
对从文本中学习的结局进行因果推断
- 研究问题
- 随机试验中的文本是否受处理影响、哪些结局发生变化，以及已发现的文本差异能否充分描述处理的因果效应？
- 方法与思路
- 作者让大语言模型提出两组文本的系统性差异，再通过样本分割进行统计验证，并用人工标注验证差异的实质含义。
- 材料陈述的贡献
- 摘要称工具将文本差异发现与有效推断相连接，强调统计和人工验证的必要性，并以学术论文摘要开展概念验证。
- 阅读关注点
- 应核对文本结局的定义、样本分割与人工验证流程，以及多项差异的推断和因果效应描述完整性如何评估。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未给出有效推断的具体条件，也未说明验证成本及完整性的保证。
原文摘要
We propose a machine-learning tool that yields causal inference on text in randomized trials. Based on a simple econometric framework in which text may capture outcomes of interest, our procedure addresses three questions: First, is the text affected by the treatment? Second, which outcomes is the effect on? And third, how complete is our description of causal effects? To answer all three questions, our approach uses large language models (LLMs) that suggest systematic differences across two groups of text documents and then provides valid inference based on costly validation. Specifically, we highlight the need for sample splitting to allow for statistical validation of LLM outputs, as well as the need for human labeling to validate substantive claims about how documents differ across groups. We illustrate the tool in a proof-of-concept application using abstracts of academic manuscripts.