📊 statistics

A fine-grained look at causal effects in causal spaces

यह शोध पत्र मेज़र-थ्योरेटिक (measure-theoretic) "कॉज़ल स्पेस" (causal spaces) औपचारिकता के भीतर कारण प्रभावों (causal effects) का विश्लेषण करने के लिए एक सूक्ष्म, घटना-स्तरीय ढांचे का प्रस्ताव करता है, जो बाइनरी परिभाषाओं और मात्रात्मक मापों को पेश करता है जो पारंपरिक चर-स्तरीय उपचार प्रभावों (variable-level treatment effects) को छवियों और भाषा मॉडलों जैसे जटिल अर्थ संबंधी संरचनाओं वाले डोमेन तक विस्तृत करते हैं।

मूल लेखक: Junhyung Park, Yuqing Zhou

प्रकाशित 2026-04-07

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Junhyung Park, Yuqing Zhou

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप यह समझने की कोशिश कर रहे हैं कि दुनिया कैसे काम करती है। आप जानना चाहते हैं: "अगर मैं यह करता हूँ, तो क्या वह होगा?"

लंबे समय से, वैज्ञानिक और डेटा विशेषज्ञ इसका उत्तर वेरिएबल्स (variables) को देखकर देते रहे हैं। वेरिएबल्स को डैशबोर्ड के डायल की तरह समझें: "तापमान," "गति," "कीमत," या "रक्तचाप।" वे पूछते हैं, "यदि मैं 'तापमान' का डायल ऊपर करता हूँ, तो क्या 'गति' का डायल नीचे जाता है?"

यह सरल मशीनों के लिए बहुत अच्छा काम करता है। लेकिन आधुनिक दुनिया में, हमारा डेटा अव्यवस्थित और जटिल है। यह केवल डायल नहीं है; यह एक पूरी फिल्म (पिक्सेल), एक पूरा उपन्यास (शब्द), या एक पूरी बातचीत है। आप आसानी से यह नहीं पूछ सकते कि "यदि मैं पिक्सेल #4,502 को बदल दूँ, तो क्या कहानी बदल जाएगी?" क्योंकि एक अकेला पिक्सेल अपने आप में कोई अर्थ नहीं रखता।

यह शोध पत्र (paper) कार्य-कारण संबंध (cause and effect) को देखने का एक नया तरीका प्रस्तावित करता है। डायल (वेरिएबल्स) को देखने के बजाय, लेखक सुझाव देते हैं कि हमें घटनाओं (events) को देखना चाहिए।

यहाँ उनके विचार का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

1. पुराना तरीका बनाम नया तरीका

पुराना तरीका (वेरिएबल्स): कल्पना कीजिए कि एक डॉक्टर पूछ रहा है, "क्या दवा की खुराक से रक्तचाप के नंबर पर प्रभाव पड़ता है?" यह एक विशिष्ट गेज (gauge) को बदलने वाले नॉब को पूछने जैसा है। यह सटीक है, लेकिन यह बड़ी तस्वीर को छोड़ देता है।
नया तरीका (इवेंट्स): कल्पना कीजिए कि डॉक्टर पूछ रहा है, "क्या दवा का मरीज के दिल का दौरा पड़ने की घटना पर प्रभाव पड़ता है?" या "क्या दवा का मरीज के चक्कर आने की घटना पर प्रभाव पड़ता है?"
- उपमा: एक फोटो के बारे में सोचें। "वेरिएबल्स" लाखों छोटे रंगीन बिंदु (पिक्सेल) हैं। "इवेंट्स" वे अर्थपूर्ण चीजें हैं जिन्हें आप फोटो में देख सकते हैं, जैसे "तस्वीर में एक बिल्ली है" या "आसमान नीला है।"
- लेखक तर्क देते हैं कि AI और आधुनिक डेटा में, हमें बिल्ली (घटना) के बारे में पूछना चाहिए, न कि पिक्सेल (कच्चे डेटा) के बारे में।

2. टूलकिट: "कॉज़ल स्पेस" (Causal Spaces)

इस गणित को काम करने के लिए, लेखक कॉज़ल स्पेस नामक एक ढांचे का उपयोग करते हैं।

रूपक (Metaphor): एक विशाल, बहु-आयामी बोर्ड गेम की कल्पना करें।
- बोर्ड: सभी संभावित परिणामों का प्रतिनिधित्व करता है (हर संभावित यात्रा, हर संभावित टेक्स्ट मैसेज, हर संभावित मेडिकल परिणाम)।
- नियम: खेल के नियम हैं कि चीजें आमतौर पर कैसे होती हैं (अवलोकन/Observation)।
- "डू" (Do) बटन: खेल में एक विशेष "डू" बटन भी है (हस्तक्षेप/Intervention)। यदि आप "डू: बीमा खरीदें" दबाते हैं, तो खेल नियमों को रीसेट करता है ताकि यह दिखाया जा सके कि क्या होता है यदि हर कोई बीमा खरीदता, चाहे उन्होंने वास्तव में जो भी किया हो।

3. तीन बड़े प्रश्न जिनका वे उत्तर देते हैं

यह पेपर "क्या यह काम करता है?" पूछने के तीन तरीके पेश करता है।

A. "हाँ/नहीं" वाला सवाल (बाइनरी परिभाषा)

सवाल: "यदि मैं इस विशिष्ट चीज़ को होने के लिए मजबूर करता हूँ, तो क्या उस घटना की संभावना बदल जाती है?"
उपमा: आप एक ट्रैवल एजेंट हैं। आप पूछते हैं: "यदि मैं एक यात्री को बीमा खरीदने के लिए मजबूर करता हूँ, तो क्या उनके भारी $1,000 का बिल भुगतान करने की संभावना बदल जाती है?"
- यदि उत्तर हाँ है, तो वहां एक कॉज़ल प्रभाव (causal effect) है।
- यदि उत्तर नहीं है, तो वहां कोई कॉज़ल प्रभाव नहीं है।
- यह क्यों शानदार है: वे बहुत विशिष्ट हो सकते हैं। वे केवल यह नहीं कहते कि "बीमा काम करता है।" वे कह सकते हैं, "बीमा खरीदना $1,000 के बिल को रोकता है केवल तभी जब यात्रा खतरनाक हो, लेकिन यदि यात्रा सुरक्षित है तो इससे कोई फर्क नहीं पड़ता।"

B. "संदर्भ" वाला सवाल (सशर्त/Conditional)

सवाल: "क्या कारण केवल कुछ खास स्थितियों में ही काम करता है?"
उपमा: कल्पना कीजिए कि आप एक शिक्षक हैं।
- यदि आप किसी छात्र को "शांत रहने" के लिए कहते हैं, तो यह तब काम कर सकता है जब कक्षा शोर भरी हो।
- लेकिन यदि कक्षा पहले से ही शांत है, तो उन्हें शांत रहने के लिए कहना कुछ भी नहीं बदलता।
- लेखकों का गणित हमें यह कहने की अनुमति देता है: "'शांत रहो' का आदेश 'शांति' की घटना पर कॉज़ल प्रभाव रखता है केवल तभी जब 'शोर अधिक है' की स्थिति सत्य हो।"

C. "कितना?" वाला सवाल (मात्रा निर्धारित करना)

सवाल: "प्रभाव कितना मजबूत है?"
उपमा: केवल यह कहने के बजाय कि "दवा काम करती है," हम जानना चाहते हैं कि "कितना" मदद करती है।
- लेखकों ने एक "स्कोरकार्ड" बनाया है।
- मीन स्कोर (Mean Score): औसतन, संभावना कितनी बदलती है? (जैसे, "बीमा खरीदना बड़े बिल के जोखिम को 0.6% कम कर देता है")।
- मैक्स स्कोर (Max Score): सबसे खराब या सबसे अच्छी स्थिति क्या है? (जैसे, "एक बहुत ही दुर्भाग्यपूर्ण यात्री के लिए, बीमा खरीदना उन्हें आपदा से बचाता है")।
- वे आपको महत्व को वजन देने की अनुमति भी देते हैं। 0% से 1% का बदलाव (असंभव से संभव होने की ओर जाना) आपके लिए 50% से 51% के बदलाव से अधिक महत्वपूर्ण हो सकता है। उनका गणित आपको यह तय करने देता है कि आप उस बदलाव को कैसे तौलेंगे।

4. यह AI और भाषा के लिए क्यों महत्वपूर्ण है

यह पेपर लैंग्वेज मॉडल्स (जैसे कि वह AI जिससे आप अभी बात कर रहे हैं) के साथ एक बेहतरीन उदाहरण देता है।

समस्या: यदि आप पूछते हैं, "क्या 'the' शब्द को 'a' में बदलने से आउटपुट बदल जाता है?" तो इसका उत्तर देना कठिन है क्योंकि आउटपुट एक पूरा वाक्य है।
समाधान: घटनाओं के बारे में पूछें।
- घटना A: "टेक्स्ट राजनीति के बारे में है।"
- घटना B: "टेक्स्ट एक रूढ़िवादी लहजे में लिखा गया है।"
- लेखकों की विधि हमें पूछने की अनुमति देती है: "यदि मैं AI को 'राजनीति के बारे में लिखें' का प्रॉम्प्ट देता हूँ, तो क्या 'टेक्स्ट राजनीति के बारे में है' की घटना अधिक संभावित हो जाती है?"
- यह हमें टेक्स्ट के अर्थ पर एक प्रॉम्प्ट की कॉज़ल शक्ति को मापने की अनुमति देता है, न कि केवल व्यक्तिगत अक्षरों को।

सारांश

यह पेपर एक थर्मामीटर से कहानीकार में अपग्रेड करने जैसा है।

पुराना तरीका: तापमान (वेरिएबल्स) मापता है।
नया तरीका: बताता है कि क्या गर्मी के कारण आइसक्रीम पिघली।

यह यह कहने के लिए एक कठोर गणितीय भाषा प्रदान करता है कि, "इस विशिष्ट चीज़ ने उस विशिष्ट परिणाम का कारण बना।" यह कच्चे डेटा और मानवीय अर्थ के बीच के अंतर को पाटता है।

यहाँ जुन्ह्युंग पार्क और युकिंग झो द्वारा लिखित शोध पत्र "A fine-grained look at causal effects in causal spaces" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

पारंपरिक कारणिक अनुमान (causal inference) ढांचे (जैसे, स्ट्रक्चरल कॉज़ल मॉडल्स, पोटेंशियल आउटकम्स) रैंडम वेरिएबल्स के स्तर पर कारणिक प्रभावों को परिभाषित करते हैं। जहाँ टैबुलर डेटा के लिए यह प्रभावी है जहाँ वेरिएबल्स के स्पष्ट अर्थ होते हैं (जैसे, "दवा की खुराक" बनाम "रक्तचाप"), वहीं यह दृष्टिकोण कंप्यूटर विज़न और नेचुरल लैंग्वेज प्रोसेसिंग जैसे आधुनिक डेटा डोमेन में संघर्ष करता है।

समस्या: इन डोमेन में, कच्चे वेरिएबल्स (पिक्सेल, टोकन) में उस अर्थपूर्ण संरचना का अभाव होता है जो सार्थक कारणिक प्रश्न पूछने के लिए आवश्यक है। उदाहरण के लिए, यह पूछना कि एक विशिष्ट पिक्सेल इमेज क्लासिफिकेशन को कैसे प्रभावित करता है, उतना सार्थक नहीं है जितना कि यह पूछना कि बिल्ली की उपस्थिति (एक घटना/इवेंट) क्लासिफिकेशन को कैसे प्रभावित करती है।
अंतराल (Gap): मौजूदा विधियों को अक्सर कच्चे डेटा से अर्थपूर्ण वेरिएबल्स तक जाने के लिए पूर्व-निर्धारित एब्स्ट्रैक्शन मैप्स की आवश्यकता होती है। एक ऐसे कठोर, मेज़र-थ्योरेटिक (measure-theoretic) ढांचे की कमी है जो सीधे घटनाओं (सैंपल स्पेस के उपसमुच्चय) और $\sigma$ -algebras पर कारणिक प्रभावों को परिभाषित कर सके, जिससे किसी विशिष्ट रिप्रेजेंटेशन मैप के प्रति प्रतिबद्ध हुए बिना सूक्ष्म विश्लेषण संभव हो सके।

2. कार्यप्रणाली (Methodology)

लेखक अपना ढांचा कॉज़ल स्पेस (Causal Spaces) पर आधारित करते हैं, जो हाल ही में पेश किया गया कारणता का एक सिद्धांत (पार्क एट अल., 2023) है, जो मेज़र थ्योरी का उपयोग करके SCMs और पोटेंशियल आउटकम्स का सामान्यीकरण करता है।

मुख्य ढांचा (Core Framework)

कॉज़ल स्पेस (Causal Space): इसे एक क्वाड्रपल $(\Omega, \mathcal{H}, P, \mathcal{K})$ $(Ω, H, P, K)$ के रूप में परिभाषित किया गया है, जहाँ:
- $(\Omega, \mathcal{H})$ एक प्रोडक्ट मेज़रेबल स्पेस है।
- $P$ एक ऑब्जर्वेशनल प्रोबेबिलिटी मेजर है।
- $\mathcal{K} = \{K_S\}_{S \subseteq T}$ कॉज़ल कर्नेल्स (ट्रांजिशन प्रोबेबिलिटी कर्नेल्स) का एक संग्रह है। $K_S(\omega, \cdot)$ निर्देशांकों $S$ को मान $\omega_S$ पर स्थिर करने के हस्तक्षेप (intervention) के बाद सिस्टम के वितरण का वर्णन करता है।
हस्तक्षेप (Interventions): एक मेजर $Q$ के माध्यम से $U$ पर हस्तक्षेप करने से एक नया मेजर $P^{do(U,Q)}$ प्राप्त होता है, जिसे कॉज़ल कर्नेल के विरुद्ध इंटीग्रेट करके परिभाषित किया जाता है।

प्रस्तावित परिभाषाएँ (Proposed Definitions)

यह शोध पत्र विश्लेषण की इकाई को वेरिएबल्स से बदलकर घटनाओं ( $A \in \mathcal{H}$ ) और $\sigma$ -algebras ( $\mathcal{F} \subseteq \mathcal{H}$ ) पर ले आता है।

बाइनरी (अस्तित्व) परिभाषाएँ:
- एक्टिव कॉज़ल इफेक्ट (Active Causal Effect): एक परिणाम $\omega$ (या घटना $B$ ) का घटना $A$ पर एक सक्रिय $U$ -कॉज़ल प्रभाव तब होता है यदि इंटरवेंशनल प्रोबेबिलिटी $K_U(\omega, A)$ , ऑब्जर्वेशनल प्रोबेबिलिटी $P(A)$ से भिन्न होती है।
- कंडीशनल कॉज़ल इफेक्ट (Conditional Causal Effect): यह उपरोक्त को एक घटना $G$ या एक $\sigma$ -algebra $\mathcal{G}$ पर कंडीशनिंग के लिए विस्तारित करता है। यह कंडीशनल मेजर्स $P_G(A)$ और $P^{do(U,\delta_\omega)}_G(A)$ की तुलना करता है।
- पोस्ट-इंटरवेंशन कॉज़ल इफेक्ट (Post-Intervention Causal Effect): यह लक्षणित करता है कि क्या $V$ पर एक पूर्व हस्तक्षेप लागू करने के बाद, $U$ पर एक हस्तक्षेप का $A$ पर प्रभाव पड़ता है। यह मीडिएशन और कॉन्टेक्स्ट-डिपेंडेंट प्रभावों को कैप्चर करता है।
- नो/डॉरमेंट इफेक्ट्स (No/Dormant Effects): शोध पत्र "नो कॉज़ल इफेक्ट" (जो 'एक्टिव' से अधिक मजबूत है) और "डॉरमेंट कॉज़ल इफेक्ट" (जहाँ प्रभाव केवल विशिष्ट संयुक्त हस्तक्षेपों के तहत मौजूद होता है, न कि एकल हस्तक्षेपों के तहत) को भी परिभाषित करता है।
मापन के लिए स्कोर (Quantifying Measures):
- मीन इफेक्ट स्कोर (Mean Effect Score): घटनाओं के लिए, इसे $S(A) = f(P^{do}(A)) - f(P(A))$ के रूप में परिभाषित किया गया है, जहाँ $f$ एक उपयोगकर्ता-चयनित स्केल फंक्शन है (जैसे, रैखिक या हाइपरबोलिक साइन) जो सीमाओं (0 या 1) के पास परिवर्तनों को 0.5 के पास के परिवर्तनों की तुलना में अलग तरह से वेट (weight) करने के लिए उपयोग किया जाता है।
- मैक्सिमम इफेक्ट स्कोर (Maximum Effect Score): एक विशिष्ट परिणामों के सेट के भीतर हस्तक्षेप द्वारा प्रेरित अधिकतम विचलन को कैप्चर करता है।
- डिस्ट्रिब्यूशनल स्कोर (Distributional Scores): $\sigma$ -algebras के लिए, लेखक एक जेनेरिक डिफरेंस फंक्शनल $D_F$ (जो एक नॉर्मेड वेक्टर स्पेस में मान रखता है) का उपयोग करने का प्रस्ताव करते हैं, जो इंटरवेंशन मेजर और ऑब्जर्वेशनल मेजर की तुलना करता है। यह मल्टी-डायमेंशनल सारांश (जैसे, माध्य, प्रसरण, या कर्नेल मीन एम्बेडिंग में अंतर) की अनुमति देता है।

3. मुख्य योगदान (Key Contributions)

इवेंट-लेवल कॉज़लिटी (Event-Level Causality): प्राथमिक योगदान घटनाओं और $\sigma$ -algebras के स्तर पर कारणिक प्रभावों का औपचारिककरण है। यह कच्चे डेटा स्पेस के भीतर सीधे अर्थपूर्ण अवधारणाओं (जैसे, "टेक्स्ट राजनीति के बारे में है") पर कारणिक विश्लेषण की अनुमति देता है, जिससे स्पष्ट एब्स्ट्रैक्शन फंक्शन्स की आवश्यकता समाप्त हो जाती है।
सूक्ष्म स्तर की ग्रैनुलैरिटी (Fine-Grained Granularity): परिभाषाएँ व्यक्तिगत परिणामों, परिणामों के सेट और पूरे $\sigma$ -algebras के बीच अंतर करती हैं। यह केवल यह बताने के बजाय कि एक वेरिएबल का "प्रभाव है", विशिष्ट प्रॉम्प्ट्स या इमेज क्षेत्रों की पहचान करने में सक्षम बनाता है जो कारणिक प्रभाव संचालित करते हैं।
सैद्धांतिक एकीकरण (Theoretical Unification): यह शोध पत्र इंटरवेंशियल मेजर के तहत (कंडीशनल) स्वतंत्रता और कारणिक प्रभावों के बीच कठोर संबंध स्थापित करता है। उदाहरण के लिए, यह सिद्ध करता है कि "नो एक्टिव कॉज़ल इफेक्ट" इंटरवेंड $\sigma$ -algebra और परिणाम के बीच इंटरवेंशियल मेजर के तहत स्वतंत्रता के बराबर है।
मानक मेट्रिक्स की रिकवरी (Recovery of Standard Metrics): इस ढांचे को मानक ट्रीटमेंट इफेक्ट मेट्रिक्स के विशेष मामलों के रूप में रिकवर किया जा सकता है:
- एवरेज ट्रीटमेंट इफेक्ट (ATE) को कंट्रोल और ट्रीटमेंट डिस्ट्रीब्यूशन के बीच माध्य के अंतर के रूप में $D_F$ को परिभाषित करके रिकवर किया जाता है।
- कंडीशनल एवरेज ट्रीटमेंट इफेक्ट (CATE) और डिस्ट्रिब्यूशनल ट्रीटमेंट इफेक्ट (DTE) भी इसी तरह रिकोवर किए जा सकते हैं।
पोस्ट-इंटरवेंशन विश्लेषण (Post-Intervention Analysis): पोस्ट-इंटरवेंशन कॉज़ल इफेक्ट्स का परिचय स्ट्रक्चरल इक्वेशंस पर निर्भर किए बिना कॉज़ल चेन्स और मीडिएटर्स का विश्लेषण करने के लिए एक औपचारिक उपकरण प्रदान करता है।

4. परिणाम और दृष्टांत (Results and Illustrations)

शोध पत्र ट्रैवल इंश्योरेंस (Travel Insurance) के एक रनिंग उदाहरण के माध्यम से अपने सिद्धांत को सत्यापित करता है:

सेटअप: वेरिएबल्स में ट्रिप डेंजर ( $N, L, H$ ), इंश्योरेंस स्टेटस ( $Y, N$ ), और पेमेंट ($0, 30, 1000$) शामिल हैं।
बाइनरी निष्कर्ष: बीमा खरीदना ($Ins=Y$) "1000 CHF भुगतान करने" की घटना पर एक सक्रिय कारणिक प्रभाव रखता है (संभावना को 0.00625 से घटाकर 0 करना)। हालांकि, यह प्रभाव कंडीशनल है: यदि यात्रा में कोई खतरा नहीं है, तो बीमा खरीदना भुगतान पर कोई कारणिक प्रभाव नहीं डालता (दोनों 0 हैं)। यदि यात्रा अत्यधिक खतरनाक है, तो प्रभाव महत्वपूर्ण है।
परिमाणीकरण (Quantification):
- एक रैखिक स्केल फंक्शन का उपयोग करते हुए, "Pay 1000" इवेंट के लिए मीन इफेक्ट स्कोर $-0.00625$ है।
- एक नॉन-लीनियर स्केल फंक्शन (सीमा परिवर्तनों पर जोर देते हुए) का उपयोग करते हुए, स्कोर का परिमाण थोड़ा अधिक ($-0.00675$) है, जो दर्शाता है कि ढांचा दुर्लभ घटनाओं को प्राथमिकता देने के लिए कैसे उपयोग किया जा सकता है।
- डिस्ट्रिब्यूशनल एनालिसिस: पेमेंट के $\sigma$ -algebra का विश्लेषण करते समय, ढांचा यह कैप्चर करता है कि बीमा खरीदना औसत भुगतान (8.45 CHF) को बढ़ाता है लेकिन प्रसरण (variance) को नाटकीय रूप रूप से कम करता है (1000 CHF के भुगतान के जोखिम को हटाकर)। यह बहुआयामी कारणिक प्रभावों को कैप्चर करने की क्षमता को उजागर करता है।

लैंग्वेज मॉडल्स से संबंधित एक माध्यमिक उदाहरण यह प्रदर्शित करता है कि कैसे यह ढांचा "राजनीतिक होने" के लिए विशिष्ट वेरिएबल को परिभाषित किए बिना, अर्थपूर्ण घटनाओं (जैसे, "टेक्स्ट राजनीतिक है") पर कारणिक प्रभावों को परिभाषित कर सकता है, जहाँ प्रॉम्प्ट को आउटपुट स्पेस पर एक हस्तक्षेप के रूप में माना जाता है।

5. महत्व (Significance)

सिमेंटिक गैप को पाटना (Bridging the Semantic Gap): यह कार्य उच्च-आयामी, असंरचित डेटा (इमेज, टेक्स्ट) में कारणिक तर्क के लिए एक गणितीय आधार प्रदान करता है जहाँ पारंपरिक वेरिएबल-आधारित परिभाषाएं विफल हो जाती हैं। यह शोधकर्ताओं को पिक्सेल के बजाय "अवधारणाओं" (concepts) के बारे में कारणिक प्रश्न पूछने की अनुमति देता है।
परिमाणीकरण में लचीलापन (Flexibility in Quantification): स्केल फंक्शन और जेनेरिक डिफरेंस फंक्शनल्स को पेश करके, यह ढांचा डोमेन विशेषज्ञों को उनकी विशिष्ट आवश्यकताओं के अनुसार "प्रभाव की शक्ति" की परिभाषा को अनुकूलित करने की अनुमति देता है (जैसे, औसत बदलावों के बजाय दुर्लभ विनाशकारी घटनाओं को प्राथमिकता देना)।
सैद्धांतिक कठोरता (Theoretical Rigor): मेज़र थ्योरी और $\sigma$ -algebras में कारणता को स्थापित करके, यह शोध पत्र प्रोबेबिलिटी थ्योरी के विकास (इवेंट्स से रैंडम वेरिएबल्स की ओर बढ़ना) को दर्शाता है, जो स्ट्रक्चरल कॉज़ल मॉडल्स की तुलना में अधिक मौलिक और लचीला औपनिवेशिक ढांचा प्रदान करता है।
भविष्य की दिशाएं (Future Directions): शोध पत्र स्पष्ट रूप से नोट करता है कि यह जनसंख्या-स्तर की परिभाषाओं पर ध्यान केंद्रित करता है। जैसा कि लेखकों ने पहचाना है, अगला तार्किक कदम सीमित नमूनों (finite samples) से इन इवेंट-लेवल मात्राओं के लिए आइडेंटिफिकेशन रणनीतियों और एस्टीमेशन प्रक्रियाओं को विकसित करना है।

संक्षेप में, पार्क और झो वेरिएबल-केंद्रित से इवेंट-केंद्रित कारणिक अनुमान की ओर एक प्रतिमान परिवर्तन (paradigm shift) प्रस्तुत करते हैं, जो आधुनिक AI के जटिल, अर्थपूर्ण-समृद्ध डेटा वातावरण में कारणता का विश्लेषण करने के लिए एक मजबूत गणितीय टूलकिट प्रदान करता है।