📊 statistics

Causal Inference with Unstructured Outcomes

Cet article propose un nouveau cadre d'inférence causale pour les résultats non structurés, tels que le texte et les images, en introduisant la « caractéristique de contraste maximal » (MCF) pour identifier et estimer les aspects spécifiques des données complexes les plus significativement modifiés par un traitement, surmontant ainsi les limites des effets de traitement moyen traditionnels basés sur des scalaires.

Auteurs originaux : Kevin Christian Wibisono, Yixin Wang

Publié 2026-08-05

📖 9 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Kevin Christian Wibisono, Yixin Wang

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous êtes un détective essayant de comprendre pourquoi un crime a eu lieu. Habituellement, les indices sont des chiffres simples : le montant d'argent volé, le nombre de personnes blessées ou le temps qu'un suspect a attendu avant de passer aux aveux. Vous pouvez facilement comparer ces chiffres pour voir si une nouvelle tactique policière a fait une différence. Mais que se passe-t-il si l'indice n'est pas du tout un chiffre ? Et si la preuve était une note manuscrite désordonnée, une photo floue ou un long récit décousu ? Vous ne pouvez pas soustraire un récit d'un autre pour trouver la différence, tout comme vous ne pouvez pas soustraire un tableau d'un autre pour voir comment le style d'un artiste a changé. C'est le casse-tête auquel les scientifiques sont confrontés lorsqu'ils tentent d'étudier les effets de nouveaux outils sur des choses complexes et non structurées comme des textes, des images ou des dossiers médicaux. Ils ont besoin d'un moyen de mesurer la « forme » du changement, et pas seulement sa taille.

C'est là qu'intervient l'article de Kevin Christian Wibisono et Yixin Wang. Ce sont des statisticiens qui ont inventé une nouvelle façon de poser des questions sur ces résultats désordonnés. Au lieu de deviner quelle partie d'un texte ou d'une image a changé, ils ont créé une méthode pour trouver automatiquement la « Caractéristique Contrastante Maximale » (CCM ou Maximally Contrasting Feature - MCF). Voyez cela comme un surligneur magique qui scanne des milliers de documents ou d'images et apprend instantanément quels détails spécifiques — comme un certain ton de voix, un type particulier de flou ou une manière particulière d'organiser ses pensées — sont ceux qui ont le plus changé à cause d'un traitement. Ils ont testé cette idée avec des simulations informatiques utilisant du texte et des images, et les résultats suggèrent que leur méthode peut identifier avec succès les caractéristiques exactes qu'un nouvel outil ou une nouvelle intervention modifie, même lorsque les chercheurs ne savaient pas quoi chercher au préalable.

Le Problème : Quand la Réponse n'est pas un Nombre

Pendant longtemps, la science a été très douée pour mesurer des choses simples. Si un médecin veut savoir si un nouveau médicament fonctionne, il vérifie si la température du patient a baissé de 2 degrés. Si une entreprise veut savoir si le nouveau design d'un site web fonctionne, elle compte si les ventes ont augmenté de 10 %. Ce sont des « résultats scalaires » — des chiffres uniques faciles à comparer.

Mais le monde est rempli de choses qui ne sont pas des chiffres uniques. Imaginez qu'un hôpital veuille savoir si un nouvel outil d'IA aide les médecins à mieux rédiger leurs notes. Le « résultat » n'est pas un chiffre ; c'est un paragraphe entier de texte. Ou imaginez qu'un chercheur veuille savoir si un nouvel algorithme de caméra rend les photos plus claires. Le résultat est une image. Vous ne pouvez pas prendre la photo d'un chat et soustraire la photo d'un chien pour obtenir un « chiffre de différence ». Vous ne pouvez même pas vraiment dire à quoi ressemble la note « moyenne ».

Traditionnellement, les scientifiques essayaient de résoudre cela en forçant les données désordonnées dans une boîte. Ils créaient une liste de règles (un « codebook ») pour noter le texte. Peut-être décidaient-ils de compter combien de fois un médecin utilisait le mot « urgent », ou combien de phrases comprenaient les notes. Mais c'est comme essayer de décrire une symphonie en comptant seulement le nombre de violons. Vous pourriez manquer l'essentiel : la mélodie, l'émotion ou un changement soudain de tempo. Si l'outil d'IA changeait le ton des notes mais pas le nombre de mots, l'ancienne méthode le manquerait complètement.

La Solution : Le Surligneur Magique (MCF)

Les auteurs proposent une nouvelle approche. Au lieu de deviner ce qu'il faut mesurer, ils laissent les données leur apprendre ce qui importe. Ils appellent cela la Caractéristique Contrastante Maximale (MCF).

Imaginez que vous avez deux piles de notes : une pile écrite par des médecins utilisant le nouvel outil d'IA, et une autre pile écrite par des médecins sans l'outil. Vous voulez trouver le « surligneur magique » qui, si vous le passez sur les notes, fait en sorte que la pile d'IA paraisse aussi différente que possible de la pile sans IA.

La MCF est ce surligneur. C'est un programme informatique qui apprend à attribuer un score de 0 à 1 à chaque note individuelle.

Si une note ressemble beaucoup au « style IA », elle reçoit un score proche de 1.
Si elle ressemble au « style humain », elle reçoit un score proche de 0.

L'ordinateur ne se contente pas de deviner ce que signifie le « style IA ». Il essaie des millions de façons différentes de noter les notes, cherant la méthode qui crée le plus grand écart entre les deux piles. Une fois qu'il trouve le meilleur système de notation, il examine les notes qui ont reçu des scores élevés et celles qui ont reçu des scores faibles pour voir ce qui est réellement différent. Peut-être découvre-t-il que les notes d'IA sont toujours plus formelles, ou peut-être utilisent-elles toujours un modèle spécifique, ou peut-être sont-elles simplement plus courtes. La méthode trouve la réponse sans que le chercheur ait besoin de connaître la réponse à l'avance.

Comment cela fonctionne : La Boîte à Outils du Détective

L'article explique qu'il ne s'agit pas d'un simple jeu de devinettes, mais d'un processus mathématique rigoureux qui tient compte des « facteurs de confusion » (confounders). Dans le monde réel, les choses sont désordonnées. Peut-être que les médecins qui utilisent l'IA sont aussi ceux qui voient des patients plus complexes. Si vous comparez simplement les notes, vous pourriez penser que l'IA les a rendues plus courtes, alors qu'en réalité, les patients avaient moins de choses à dire.

La méthode MCF corrige cela en utilisant un « score de propension ». Voyez cela comme un jeu d'association. L'ordinateur examine les détails contextuels (comme l'âge du patient, le type de visite et l'expérience du médecin) et trouve des paires de notes qui sont presque identiques à tous les égards, sauf pour le fait que l'IA a été utilisée ou non. En comparant ces paires appariées, la méthode isole le véritable effet de l'outil d'IA.

Les auteurs ont également développé une version « budgétisée ». Parfois, l'IA change tout un peu, ou elle change quelques choses beaucoup. La version « budgétisée » de la MCF permet aux chercheurs de dire : « Montrez-moi les 10 % de notes qui ont le plus changé. » Cela aide à se concentrer sur les changements les plus évidents et les plus spectaculaires plutôt que de se perdre dans des variations infimes et insignifiantes.

Ce qu'ils ont trouvé : Texte, Images et Surprises

Les chercheurs ont testé leur idée à travers trois expériences différentes pour voir si elle fonctionnait réellement.

1. Les expériences de texte :
Ils ont simulé un scénario où un outil d'écriture était censé rendre le texte plus « formel ».

Le résultat : La MCF a réussi à identifier le langage formel. Elle a attribué des scores élevés aux phrases qui semblaient professionnelles et des scores faibles aux plus décontractées.
Le rebondissement : Ils ont aussi testé un scénario plus complexe où l'outil était censé rendre le texte moins formel dans certaines situations (comme le divertissement) mais plus formel dans d'autres (comme les conseils familiaux). La MCF ne s'est pas trompée. Elle a appris une règle « sensible au contexte » : « Si c'est de la musique, sois décontracté ; si c'est de la famille, sois sérieux. » Elle a compris que la « bonne » réponse dépend de la situation.
Le test de sécurité : Ils ont aussi testé si l'outil pouvait détecter un langage « toxique ». Dans un cas, l'outil rendait le langage plus sûr dans les groupes de soutien, mais plus agressif dans les discussions tendues. La MCF a correctement identifié que la caractéristique de « sécurité » basculait selon le contexte, prouvant qu'elle pouvait gérer des règles complexes du monde réel.

2. L'expérience d'image :
Ils ont utilisé des images de cellules (comme celles vues sous un microscope).

Le résultat : Ils ont simulé un traitement qui rendait les images plus floues. La MCF a appris à noter les images en fonction de leur flou. Elle a réussi à séparer les images nettes des images floues, même si le nombre de cellules dans les images restait le même. Cela a prouvé que la méthode fonctionne pour les données visuelles, pas seulement pour les mots.

3. Le double mystère :
Enfin, ils ont examiné un cas où à la fois l'entrée et la sortie étaient désordonnées. Imaginez une IA qui suggère un brouillon, et un humain qui écrit la note finale. À la fois la suggestion et la note sont du texte.

Le résultat : Ils ont créé deux surligneurs : un pour la suggestion de l'IA et un pour la note finale. Le système a appris que lorsque la suggestion de l'IA était « concrète et spécifique », la note finale avait tendance à être « complète et détaillée ». Il a trouvé le lien entre ces deux textes désordonnés sans que personne ne lui dise quoi chercher.

Pourquoi c'est important

Cet article suggère une nouvelle façon d'étudier le monde. Nous sommes entourés de données non structurées — e-mails, vidéos, scanners médicaux, publications sur les réseaux sociaux. Nous voulons savoir comment les nouvelles technologies modifient ces choses, mais nous ne savons souvent pas comment mesurer le changement.

La méthode MCF offre un moyen de laisser les données parler d'elles-mêmes. Au lieu de forcer un objet carré dans un trou rond en comptant les mots ou les pixels, elle trouve les dimensions cachées qui comptent réellement. Elle suggère que nous pouvons découvrir les changements les plus importants dans notre monde complexe, qu'il s'agisse de la façon dont une IA modifie l'écriture d'un médecin ou dont un nouveau filtre modifie une photo, sans avoir besoin d'être des experts dans ces détails spécifiques au préalable.

Les auteurs précisent avec prudence que ces résultats proviennent de simulations et d'expériences semi-synthétiques. Ils ne les ont pas encore appliqués à un véritable hôpital ou à un site d'actualités en direct, mais les simulations montrent que les mathématiques tiennent la route. Si cette méthode fonctionne dans le monde réel désordonné, elle pourrait nous aider à comprendre l'impact réel des outils d'IA qui changent rapidement notre façon de vivre, de travailler et de communiquer.

Résumé Technique : Inférence Causale avec des Résultats Non Structurés

1. Énoncé du Problème

L'inférence causale traditionnelle se concentre sur des résultats scalaires (par exemple, un statut de rétablissement binaire, des revenus, des nombres de visites), où l'Effet de Traitement Moyen (ATE - Average Treatment Effect) est défini comme la différence entre les moyennes des potentiels résultats, $\mathbb{E}[Y(1) - Y(0)]$ . Cependant, les études modernes impliquent de plus en plus des résultats non structurés tels que des notes cliniques, des réponses à des sondages ouverts, des images et des vidéos. Dans ces contextes, l'ATE standard est mal défini car on ne peut pas soustraire de manière significative un document textuel ou une image d'un autre.

Bien qu'une approche courante consiste à pré-spécifier une fonction de score de caractéristiques $g$ (par exemple, un livre de codes ou un modèle thématique) pour convertir l'objet non structuré en un scalaire, cela exige que l'analyste sache à l'avance quel aspect du résultat est causalement affecté. Si le changement pertinent se situe en dehors des caractéristiques pré-spécifiées (par exemple, un changement subtil de ton ou de texture non capturé par un livre de codes fixe), l'analyse peut manquer le signal causal. Le document traite du défi consistant à apprendre quelle caractéristique d'un résultat non structuré est la plus affectée causalement par un traitement sans spécification préalable.

2. Méthodologie

La Caractéristique Maximalement Contrastée (MCF - Maximally Contrasting Feature)
La proposition centrale est la Caractéristique Maximalement Contrastée (MCF), une requête causale qui apprend une fonction de score de caractéristiques $g: \mathcal{Y} \to [0, 1]$ qui maximise le contraste causal entre les potentiels résultats traités et témoins.

Objectif : Trouver $g^* \in \mathcal{G}$ tel que :
$g^* \in \arg\max_{g \in \mathcal{G}} \theta(g), \quad \text{où } \theta(g) = \mathbb{E}[g\{Y(1)\} - g\{Y(0)\}]$
Ici, $\mathcal{G}$ est une classe prédéfinie de fonctions bornées (par exemple, des réseaux de neurones avec des sorties sigmoïdes). La fonction $g$ mappe le résultat non structuré vers un scalaire qui expose le contraste le plus net entre les distributions traitées et témoins.

Identification et Estimation

Hypothèses : La méthode repose sur les hypothèses causales standards : SUTVA, Recouvrement (positivité) et Non-confondabilité (indépendance conditionnelle des potentiels résultats et du traitement étant donné les covariables $X$ ).
Identification : Sous ces hypothèses, le contraste $\theta(g)$ est identifié pour tout $g$ fixé via la pondération par le score de propension inverse (IPW) ou la régression sur les résultats. Le document prouve que si le critère de la population possède un maximiseur unique, la caractéristique sélectionnée est identifiée.
Interprétation Oracle : Dans le cadre de la population (oracle), le $g^*$ optimal agit comme une fonction indicatrice de la région où la densité du résultat traité excède celle du résultat témoin : $g^*(y) = \mathbb{1}\{p_1(y) - p_0(y) > 0\}$ .
Algorithme d'Estimation :
1. Score de Propension : Estimer le score de propension $\hat{e}(X) = P(A=1|X)$ en utilisant une division d'entraînement.
2. Optimisation : Sur une division de test, apprendre les paramètres $\beta$ de la fonction de score $g(Y; \beta)$ en maximisant l'objectif IPW :
  $\hat{\theta}_N(\beta) = \frac{1}{N} \sum_{i=1}^N \left( \frac{A_i g(Y_i; \beta)}{\hat{e}(X_i)} - \frac{(1-A_i) g(Y_i; \beta)}{1-\hat{e}(X_i)} \right)$
3. Interprétation : La fonction apprise est interprétée en inspectant les résultats ayant des scores élevés vs faibles (par exemple, en récupérant les plus proches voisins ou les paires minimales) pour identifier les motifs récurrents.

Extensions

Effets Hétérogènes : Le cadre s'étend aux MCFs adaptées aux covariables, $g(Y, X)$ , qui identifient les caractéristiques les plus affectées par le traitement au sein de sous-populations spécifiques définies par $X$ .
MCF Budgétée : Pour faciliter l'interprétation, une version "budgétée" contraint la fonction à attribuer des scores élevés à seulement une fraction $\tau$ de la population. Cela donne la priorité aux résultats les plus enrichis par le traitement (ceux ayant le plus haut "score d'enrichissement de traitement" $\Delta(y)/p_{ref}(y)$ ).
Traitements Non Structurés : Lorsque le traitement ( $A$ ) et le résultat ( $Y$ ) sont tous deux non structurés, la méthode apprend une paire de fonctions : une fonction de caractéristique de traitement influente $f(A)$ et une fonction de caractéristique de résultat contrastée $g(Y)$ . Ceci est estimé en maximisant la covariance conditionnelle entre $f(A)$ et le $g(Y)$ résidualisé, en utilisant des résultats de contrôle négatifs appariés pour estimer la ligne de base des covariables sans optimisation imbriquée.

3. Contributions Clés

Le document présente cinq contributions principales :

Proposition de la MCF : Une nouvelle requête causale pour les résultats non structurés qui apprend une fonction de score de caractéristiques bornée capturant l'aspect du résultat présentant le plus grand contraste induit par le traitement.
Identification et Estimation : Établissement des conditions d'identification et développement d'algorithmes d'estimation par pondération par la propension inverse (IPW) avec preuves de consistance et de normalité asymptotique.
Caractérisation : Caractérisation théorique du comportement de la population de la MCF, incluant les versions budgétées et adaptées aux covariables pour une meilleure interprétabilité.
Traitements Non Structurés : Extension de l'algorithme aux contextes de traitements et de résultats non structurés en apprenant des fonctions de score de caractéristiques appariées à l'aide de résultats de contrôle négatifs appariés.
Validation Empirique : Illustration de l'algorithme à travers des résultats textuels, des résultats d'images, et des scénarios comportant à la fois des traitements et des résultats non structurés.

4. Résultats Empiriques

Les auteurs évaluent l'algorithme MCF sur des ensembles de données synthétiques et semi-synthétiques :

Résultats Textuels (Formalité et Toxicité) :
- Dans une étude de formalité (jeu de données GYAFC), la MCF a réussi à récupérer un score de formalité global dans des contextes homogènes et s'est adaptée à des directions dépendantes du contexte (par exemple, augmenter la formalité dans les contextes familiaux mais la diminuer dans les contextes de divertissement) dans des contextes hétérogènes.
- Dans une étude de toxicité (jeu de données ParaDetox), l'algorithme a récupéré une non-toxicité globale et a correctement identifié les changements dépendants du contexte où le traitement augmentait la toxicité dans les contextes de conflit élevé mais la diminuait dans les contextes de soutien.
- La méthode a surpassé les modèles thématiques pré-spécifiés (LDA), qui ont échoué à isoler la dimension causale spécifique (formalité) lorsque le contraste était distribué entre plusieurs sujets.
- La MCF a également réussi à isoler des combinaisons spécifiques d'attributs (par exemple, formalité + ponctuation) lorsque le traitement induisait des changements simultanés.
Résultats d'Images :
- En utilisant des images cellulaires synthétiques (BBBC005v1), la MCF a isolé la dimension de style "flou" (blur) induite par le traitement tout en maintenant constant le nombre de cellules (contenu). Le score appris a efficacement séparé les images à faible flou des images à haut flou.
Traitements et Résultats Non Structurés :
- Dans un contexte texte-à-texte (suggestions d'IA comme traitement, notes finales comme résultat), l'algorithme apparié MIF-MCF a réussi à identifier des directions liées (par exemple, des suggestions concrètes menant à des plans complets) après ajustement pour les covariables.

5. Signification et Revendications

Le document affirme que la MCF fournit un outil exploratoire piloté par les données pour l'inférence causale avec des résultats non structurés. Sa signification réside dans :

Éviter le biais de pré-spécification : Elle élimine la nécessité pour les analystes de définir manuellement des livres de codes ou des caractéristiques avant l'analyse, permettant aux données de révéler quels aspects du résultat sont causalement déplacés.
Interprétabilité : En apprenant une fonction de score puis en inspectant les exemples à scores élevés/faibles, la méthode comble le fossé entre les plongements (embeddings) de haute dimension et les mécanismes causaux interprétables par l'humain.
Gestion de la Complexité : Elle traite la nature "mal définie" des ATE pour les objets non structurés en recadrant la question causale autour du contraste dans un espace de caractéristiques appris plutôt que par une soustraction directe d'objets.
Flexibilité : Le cadre permet d'intégrer des effets hétérogènes et des données non structurées bidirectionnelles (traitement et résultat), élargissant la portée des questions causales pouvant être posées dans des domaines tels que la santé, les politiques publiques et les sciences sociales.

Les auteurs maintiennent un ton modeste, positionnant la MCF comme une carte exploratoire qui identifie où les contrastes induits par le traitement sont concentrés, plutôt que comme un test de confirmation pour un attribut nommé. Les étiquettes (par exemple, "formalité", "flou") sont des interprétations dérivées des scores appris et de l'inspection ultérieure par des experts du domaine, et non des propriétés inhérentes à l'algorithme lui-même.