Causal Discovery Should Embrace the Wisdom of the Crowd
因果发现应拥抱群体智慧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：摘要以因果发现、因果结构构建和因果知识整合为核心，直接对应因果推断方向。
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…
因果发现应拥抱群体智慧
- 研究问题
- 如何系统汇集不同参与者掌握的局部且可能含噪声的因果知识，将分散贡献整合为全局因果结构及因果学习流程？
- 方法与思路
- 作者将群体因果学习视为分布式决策问题，组织知识征集、建模、聚合和优化框架，并讨论众包及大语言模型辅助信息获取。
- 材料陈述的贡献
- 摘要提出群体智慧驱动的因果学习范式，梳理相关技术与早期实践，并讨论机会、挑战及跨学科协作需求。
- 阅读关注点
- 应核对群体贡献的表示与聚合方式、冲突及噪声知识的处理，以及框架是否包含可验证算法、识别保证或系统实证评估。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获核实；摘要主要陈述框架与倡议，未说明正式识别结果或可靠性提升的量化证据。
原文摘要
This paper argues for recognizing an emerging paradigm of causal learning by wisdom of the crowd. Recent developments in government, industry, and research point to the rise of decentralized and crowd-based approaches within causal modeling, where causal knowledge distributed across many contributors can be systematically elicited and integrated with causal learning workflows. In this paradigm, causal learning becomes a distributed decision-making problem: each participant contributes partial and potentially noisy knowledge, while collective contributions help construct a global causal structure. This direction is enabled by advances in crowdsourcing platforms, expert knowledge elicitation, aggregation techniques, and large language model (LLM)-augmented information acquisition. Its promise is increasingly visible in early research and emerging real-world practices. Building on this momentum, we outline a framework for crowd-based causal learning spanning elicitation, modeling, aggregation, and optimization. We further discuss the opportunities and challenges introduced by this paradigm and call for interdisciplinary collaboration across causal learning, collective intelligence, human-AI interaction, and decision science.