因果推断通常处理的是结构化数据，比如数值型指标。但当结果变量是文本、图像这类非结构化数据时，传统方法往往束手无策。来自密歇根大学的一项新研究提出了一种名为“最大对比特征”的方法，将非结构化结果上的因果推断转化为特征搜索问题，从而自动识别出受处理效应影响最显著的结果维度。 这项方法的核心思路是：不再试图对整个文本或整张图像建模，而是先在结果空间中构造大量候选特征，再通过对比处理组与对照组之间的差异，找到那些效应最强的特征维度。这相当于把“因果效应在哪儿”的开放性问题，变成了一个可优化的搜索目标。 相比以往需要人工设计特征或依赖预定义指标的做法，最大对比特征法减少了主观偏差，能够更灵活地发现意想不到的效应路径。例如，在一项政策评估中，如果结果是用户生成的评论文本，该方法可以直接定位到哪些措辞变化真正由政策驱动，而不必预先指定关键词或情感词典。 论文作者指出，这一框架不仅适用于文本和图像，还可以扩展到其他复杂结果类型。它为因果推断在人工智能、社会科学和医学影像等领域的应用提供了新工具，尤其适合那些结果难以量化但信息丰富的场景。 该方法的核心贡献在于：将“非结构化结果”这一看似棘手的因果推断难题，转化为一个计算上可行的特征搜索问题，并通过最大对比准则确保找到的维度具有统计上可解释的效应。这一思路或将为后续研究开辟新的方向。

打开网易新闻 查看精彩图片