A Design-based Solution for Causal Inference with Text: Can a Language Model Be Too Large?
文本因果推断的设计式方案：语言模型会不会过大？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：摘要直接研究文本属性的因果效应、潜在混杂、重叠问题及实验设计。
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…
文本因果推断的设计式方案：语言模型会不会过大？
- 研究问题
- 当处理本身是文本的一部分时，如何控制语言属性间的潜在混杂，并避免文本表征编码处理所导致的重叠偏差？
- 方法与思路
- 作者提出实验设计来处理潜在混杂与重叠问题，并在政治沟通中表达谦逊的说服力实验里比较语言模型和词袋方法。
- 材料陈述的贡献
- 摘要称，该设计可无偏估计处理效应；在实验文本与结局上，大语言模型方法表现更差，并识别了表达谦逊的说服力效应。
- 阅读关注点
- 应核对实验设计、处理操纵和目标效应定义，表征编码处理如何影响重叠，以及模型比较是否采用一致的信息与评价标准。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未描述设计细节或效果数值，不能将案例比较推广到所有语言模型。
原文摘要
Many social science questions ask how linguistic properties causally affect an audience's attitudes and behaviors. Because text properties are often interlinked (e.g., angry reviews use profane language), we must control for possible latent confounding to isolate causal effects. Recent literature proposes adapting large language models (LLMs) to learn latent representations of text that successfully predict both treatment and the outcome. However, because the treatment is a component of the text, these deep learning methods risk learning representations that actually encode the treatment itself, inducing overlap bias. Rather than depending on post-hoc adjustments, we introduce a new experimental design that handles latent confounding, avoids the overlap issue, and unbiasedly estimates treatment effects. We apply this design in an experiment evaluating the persuasiveness of expressing humility in political communication. Methodologically, we demonstrate that LLM-based methods perform worse than even simple bag-of-words models using our real text and outcomes from our experiment. Substantively, we isolate the causal effect of expressing humility on the perceived persuasiveness of political statements, offering new insights on communication effects for social media platforms, policy makers, and social scientists.