📊 statistics

Causal Inference with Unstructured Outcomes

Este artigo propõe um novo framework de inferência causal para resultados não estruturados, como textos e imagens, ao introduzir a "característica maximamente contrastante" (MCF) para identificar e estimar os aspectos específicos de dados complexos mais significativamente alterados por um tratamento, superando as limitações dos tradicionais efeitos médios de tratamento baseados em escalares.

Autores originais: Kevin Christian Wibisono, Yixin Wang

Publicado 2026-08-05

📖 8 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Kevin Christian Wibisono, Yixin Wang

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é um detetive tentando descobrir por que um crime aconteceu. Geralmente, as pistas são números simples: quanto dinheiro foi roubado, quantas pessoas foram feridas ou quanto tempo um suspeito esperou antes de confessar. Você pode facilmente comparar esses números para ver se uma nova tática policial fez diferença. Mas e se a "pista" não for um número? E se a evidência for uma nota manuscrita bagunçada, uma foto borrada ou uma história longa e prolixa? Você não pode subtrair uma história de outra para encontrar a diferença, assim como não pode subtrair uma pintura de outra para ver como o estilo de um artista mudou. Este é o enigma que os cientistas enfrentam ao tentar estudar os efeitos de novas ferramentas em coisas complexas e não estruturadas, como textos, imagens ou registros médicos. Eles precisam de uma maneira de medir a "forma" da mudança, não apenas o tamanho.

É aqui que entra o artigo de Kevin Christian Wibisono e Yixin Wang. Eles são estatísticos que inventaram uma nova maneira de fazer perguntas sobre esses resultados desordenados. Em vez de adivinhar qual parte de um texto ou imagem mudou, eles criaram um método para encontrar automaticamente a Característica Maximamente Contrastante (MCF - Maximally Contrasting Feature). Pense nisso como um marca-texto mágico que varre milhares de documentos ou imagens e aprende instantaneamente quais detalhes específicos — como um certo tom de voz, um tipo específico de desfoque ou uma maneira particular de organizar pensamentos — são aqueles que mais mudaram devido a um tratamento. Eles testaram essa ideia com simulações de computador usando textos e imagens, e os resultados sugerem que seu método consegue identificar com sucesso as características exatas que uma nova ferramenta ou intervenção altera, mesmo quando os pesquisadores não sabiam o que procurar de antemão.

O Problema: Quando a Resposta Não é um Número

Por muito tempo, a ciência foi ótima em medir coisas simples. Se um médico quer saber se um novo remédio funciona, ele verifica se a temperatura do paciente baixou 2 graus. Se uma empresa quer saber se o design de um novo site funciona, ela conta se as vendas aumentaram 10%. Esses são "resultados escalares" — números únicos que são fáceis de comparar.

Mas o mundo está cheio de coisas que não são números únicos. Imagine que um hospital quer saber se uma nova ferramenta de IA ajuda os médicos a escreverem melhores notas. O "resultado" não é um número; é um parágrafo inteiro de texto. Ou imagine que um pesquisador quer saber se um novo algoritmo de câmera torna as fotos mais nítidas. O resultado é uma imagem. Você não pode pegar uma foto de um gato e subtrair uma foto de um cachorro para obter um "número de diferença". Você nem consegue dizer realmente qual seria a "média" de uma nota.

Tradicionalmente, os cientistas tentavam resolver isso forçando os dados bagunçados para dentro de uma caixa. Eles criavam uma lista de regras (um "livro de códigos") para pontuar o texto. Talvez decidissem contar quantas vezes o médico usou a palavra "urgente", ou quantas frases havia na nota. Mas isso é como tentar descrever uma sinfonia contando apenas o número de violinos. Você pode perder a parte mais importante: a melodia, a emoção ou uma mudança repentina no tempo. Se a ferramenta de IA mudasse o tom das notas, mas não a contagem de palavras, o método antigo falharia completamente.

A Solução: O Marca-texto Mágico (MCF)

Os autores propõem uma nova abordagem. Em vez de adivinhar o que medir, eles deixam os dados ensinarem o que importa. Eles chamam isso de Característica Maximamente Contrastante (MCF).

Imagine que você tem duas pilhas de notas: uma pilha escrita por médicos usando a nova ferramenta de IA, e outra pilha escrita por médicos sem ela. Você quer encontrar o "marca-texto mágico" que, ao passar pelas notas, faça a pilha de IA parecer o mais diferente possível da pilha de não-IA.

O MCF é esse marca-texto. É um programa de computador que aprende a atribuir uma pontuação de 0 a 1 para cada nota individual.

Se uma nota se parece muito com o "estilo de IA", ela recebe uma pontuação próxima de 1.
Se ela se parece com o "estilo humano", recebe uma pontuação próxima de 0.

O computador não apenas adivinha o que significa "estilo de IA". Ele tenta milhões de maneiras diferentes de pontuar as notas, procurando pela maneira que cria o maior abismo entre as duas pilhas. Uma vez que encontra o melhor sistema de pontuação, ele olha para as notas que receberam pontuações altas e as notas que receberam pontuações baixas para ver o que é realmente diferente. Talvez descubra que as notas de IA são sempre mais formais, ou talvez usem sempre um modelo específico, ou talvez sejam apenas mais curtas. O método encontra a resposta sem que o pesquisador precise saber a resposta antecipadamente.

Como Funciona: O Kit de Ferramentas do Detetive

O artigo explica que isso não é apenas um jogo de adivinhação; é um processo matemático rigoroso que leva em conta os "confundidores" (confounders). No mundo real, as coisas são bagunçadas. Talvez os médicos que usam a ferramenta de IA sejam também os que atendem pacientes mais complicados. Se você apenas comparar as notas, pode pensar que a IA as tornou mais curtas, quando na verdade os pacientes é que tinham menos a dizer.

O método MCF corrige isso usando um "escore de propensão" (propency score). Pense nisso como um jogo de correspondência. O computador analisa os detalhes de fundo (como a idade do paciente, o tipo de visita e a experiência do médico) e encontra pares de notas que são quase idênticas em todos os aspectos, exceto pelo fato de a IA ter sido usada ou não. Ao comparar esses pares correspondentes, o método isola o verdadeiro efeito da ferramenta de IA.

Os autores também desenvolveram uma versão "orçada" (budgeted). Às vezes, a IA muda tudo um pouco, ou muda algumas coisas muito. O MCF orçado permite que os pesquisadores digam: "Mostre-me os 10% superiores de notas que mais mudaram". Isso ajuda a focar nas mudanças mais óbvias e dramáticas, em vez de se perder em mudanças minúsculas e insignificantes.

O Que Eles Encontraram: Texto, Imagens e Surpresas

Os pesquisadores testaram sua ideia com três experimentos diferentes para ver se ela realmente funciona.

1. Os Experimentos de Texto:
Eles simularam um cenário onde uma ferramenta de escrita deveria tornar o texto mais "formal".

O Resultado: O MCF conseguiu aprender a identificar a linguagem formal. Ele deu pontuações altas para frases que soavam profissionais e baixas para as casuais.
A Reviravolta: Eles também testaram um cenário mais complexo onde a ferramenta deveria tornar o texto menos formal em certas situações (como entretenimento), mas mais formal em outras (como conselhos familiares). O MCF não se confundiu. Ele aprendeu uma regra "consciente do contexto": "Se for sobre música, seja casual; se for sobre família, seja sério". Ele percebeu que a resposta "certa" depende da situação.
O Teste de Segurança: Eles também testaram se a ferramenta poderia detectar linguagem "tóxica". Em um caso, a ferramenta tornou a linguagem mais segura em grupos de apoio, mas mais agressiva em discussões acaloradas. O MCF identificou corretamente que o recurso de "segurança" mudava dependendo do contexto, provando que pode lidar com regras complexas do mundo real.

2. O Experimento de Imagem:
Eles usaram fotos de células (como as vistas sob um microscópio).

O Resultado: Eles simularam um tratamento que tornava as imagens mais borradas. O MCF aprendeu a pontuar as imagens com base no nível de desfoque. Ele separou com sucesso as imagens nítidas das borradas, mesmo que o número de células nas fotos permanecesse o mesmo. Provou que o método funciona para dados visuais, não apenas palavras.

3. O Duplo Mistério:
Finalmente, eles analisaram um caso em que tanto a entrada quanto a saída eram bagunçadas. Imagine uma IA que sugere um rascunho, e um humano escreve a nota final. Tanto a sugestão quanto a nota são textos.

O Resultado: Eles criaram dois marca-textos: um para a sugestão da IA e outro para a nota final. O sistema aprendeu que, quando a sugestão da IA era "concreta e específica", a nota final tendia a ser "completa e detalhada". Ele encontrou a ligação entre os dois textos bagunçados sem que ninguém lhe dissesse o que procurar.

Por Que Isso Importa

Este artigo sugere uma nova maneira de estudar o mundo. Estamos cercados por dados não estruturados — e-mails, vídeos, exames médicos, postagens em redes sociais. Queremos saber como as novas tecnologias mudam essas coisas, mas muitas vezes não sabemos como medir a mudança.

O método MCF oferece uma maneira de deixar os dados falarem por si mesmos. Em vez de forçar um quadrado num buraco redondo ao contar palavras ou pixels, ele encontra as dimensões ocultas que realmente importam. Ele sugere que podemos descobrir as mudanças mais importantes em nosso mundo complexo, seja como uma IA altera a escrita de um médico ou como um novo filtro altera uma foto, sem precisar ser especialistas nos detalhes específicos de antemão.

Os autores ressaltam cuidadosamente que esses resultados vêm de simulações e experimentos semissintéticos. Eles ainda não aplicaram isso a um hospital real ou a um site de notícias ao vivo, mas as simulações mostram que a matemática se sustenta. Se este método funcionar no mundo real e bagunçado, poderá nos ajudar a entender o verdadeiro impacto das ferramentas de IA que estão mudando rapidamente a forma como vivemos, trabalhamos e nos comunicamos.

Resumo Técnico: Inferência Causal com Resultados Não Estruturados

1. Definição do Problema

A inferência causal tradicional foca em resultados escalares (ex: status de recuperação binário, ganhos, contagem de visitas), onde o Efeito Médio do Tratamento (ATE) é definido como a diferença nas médias dos potenciais resultados, $\mathbb{E}[Y(1) - Y(0)]$ . No entanto, estudos modernos envolvem cada vez mais resultados não estruturados, tais como notas clínicas, respostas abertas de questionários, imagens e vídeos. Nesses cenários, o ATE padrão é mal definido porque não se pode subtrair significativamente um documento de texto ou uma imagem de outro.

Embora uma abordagem comum seja pré-especificar uma função de pontuação de características $g$ (ex: um livro de códigos ou modelo de tópicos) para converter o objeto não estruturado em um escalar, isso exige que o analista saiba antecipadamente qual aspecto do resultado é causalmente afetado. Se a mudança relevante residir fora das características pré-especificadas (ex: uma mudança sutil de tom ou textura não capturada por um livro de códigos fixo), a análise pode perder o sinal causal. O artigo aborda o desafio de aprender qual característica de um resultado não estruturado é mais causalmente afetada por um tratamento sem especificação prévia.

2. Metodologia

A Característica de Contraste Máximo (MCF)
A proposta central é a Característica de Contraste Máximo (MCF), uma consulta causal que aprende uma função de pontuação de características $g: \mathcal{Y} \to [0, 1]$ que maximiza o contraste causal entre os potenciais resultados tratados e de controle.

Objetivo: Encontrar $g^* \in \mathcal{G}$ tal que:
$g^* \in \arg\max_{g \in \mathcal{G}} \theta(g), \quad \text{onde } \theta(g) = \mathbb{E}[g\{Y(1)\} - g\{Y(0)\}]$
Aqui, $\mathcal{G}$ é uma classe pré-especificada de funções limitadas (ex: redes neurais com saídas sigmoides). A função $g$ mapeia o resultado não estruturado para um escalar que expõe o contraste mais nítido entre as distribuições tratadas e de controle.

Identificação e Estimação

Pressupostos: O método baseia-se nos pressupostos causais padrão: SUTVA, Sobreposição (positivity) e Não-Confundimento (independência condicional dos potenciais resultados e do tratamento dados os covariáveis $X$ ).
Identificação: Sob esses pressupostos, o contraste $\theta(g)$ é identificado para qualquer $g$ fixo via ponderação pelo inverso da propensão (IPW) ou regressão de resultado. O artigo prova que, se o critério populacional possui um maximizador único, a característica selecionada é identificada.
Interpretação Oracle: No cenário populacional (oracle), o $g^*$ ideal atua como uma função indicadora para a região onde a densidade do resultado tratado excede a do controle: $g^*(y) = \mathbb{1}\{p_1(y) - p_0(y) > 0\}$ .
Algoritmo de Estimação:
1. Escore de Propensão: Estimar o escore de propensão $\hat{e}(X) = P(A=1|X)$ usando uma divisão de treinamento.
2. Otimização: Em uma divisão de teste (held-out), aprender os parâmetros $\beta$ da função de pontuação $g(Y; \beta)$ maximizando o objetivo 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. Interpretação: A função aprendida é interpretada através da inspeção de resultados com pontuações altas vs. baixas (ex: recuperando vizinhos próximos ou pares mínimos) para identificar padrões recorrentes.

Extensões

Efeitos Heterogêneos: O framework estende-se para MCFs de covariáveis adaptativas, $g(Y, X)$ , que identificam características mais afetadas pelo tratamento dentro de subpopulações específicas definidas por $X$ .
MCF com Orçamento (Budgeted MCF): Para auxiliar a interpretação, uma versão "com orçamento" restringe a função a atribuir pontuações altas apenas a uma fração $\tau$ da população. Isso prioriza os resultados com maior "enriquecimento de tratamento" ( $\Delta(y)/p_{ref}(y)$ ).
Tratamentos Não Estruturados: Quando tanto o tratamento ( $A$ ) quanto o resultado ( $Y$ ) são não estruturados, o método aprende um par de funções: uma característica de tratamento influente $f(A)$ e uma característica de resultado contrastante $g(Y)$ . Isso é estimado maximizando a covariância condicional entre $f(A)$ e o $g(Y)$ residualizado, usando resultados de controle negativo pareados para estimar a linha de base de covariáveis sem otimização aninhada.

3. Principais Contribuições

O artigo apresenta cinco contribuições primárias:

Proposta do MCF: Uma nova consulta causal para resultados não estruturados que aprende uma função de pontuação de características limitada, capturando o aspecto do resultado com o maior contraste induzido pelo tratamento.
Identificação e Estimação: Estabelecimento de condições de identificação e desenvolvimento de algoritmos de estimação por ponderação de propensão inversa (IPW) com provas de consistência e normalidade assintótica.
Caracterização: Caracterização teórica do comportamento populacional do MCF, incluindo versões com orçamento e de covariáveis adaptativas para melhor interpretabilidade.
Tratamentos e Resultados Não Estruturados: Extensão do algoritmo para cenários com tratamentos e resultados não estruturados, aprendendo funções de pontuação de características pareadas usando resultados de controle negativo pareados.
Validação Empírica: Ilustração do algoritmo em tarefas de resultados baseados em texto, imagens e cenários com ambos tratamentos e resultados não estruturados.

4. Resultados Empíricos

Os autores avaliam o algoritmo MCF em conjuntos de dados sintéticos e semi-sintéticos:

Resultados de Texto (Formalidade e Toxicidade):
- Em um estudo de formalidade (dataset GYAFC), o MCF recuperou com sucesso um escore de formalidade global em ambientes homogêneos e adaptou-se a direções dependentes de contexto (ex: aumentar a formalidade em contextos familiares, mas diminuí-la em contextos de entretenimento) em ambientes heterogêneos.
- Em um estudo de toxicidade (dataset ParaDetox), o algoritmo recuperou a não-toxicidade global e identificou corretamente mudanças dependentes de contexto onde o tratamento aumentou a toxicidade em ambientes de alto conflito, mas a diminuiu em ambientes de apoio.
- O método superou modelos de tópicos pré-especificados (LDA), que falharam em isolar a dimensão causal específica (formalidade) quando o contraste estava distribuído entre os tópicos.
- O MCF também isolou com sucesso combinações específicas de atributos (ex: formalidade + pontuação) quando o tratamento induziu mudanças simultâneas.
Resultados de Imagem:
- Usando imagens de células sintéticas (BBBC005v1), o MCF isolou a dimensão de estilo "desfoque" (blur) induzida pelo tratamento, mantendo a contagem de células (conteúdo) constante. O escore aprendido separou efetivamente imagens de baixo desfoque de imagens de alto desfoque.
Tratamentos e Resultados Não Estruturados:
- Em um cenário de texto-para-texto (sugestões de IA como tratamento, notas finais como resultado), o algoritmo pareado MIF-MCF identificou com sucesso direções vinculadas (ex: sugestões concretas levando a planos completos) após o ajuste para covariáveis.

5. Significância e Alegações

O artigo alega que o MCF fornece uma ferramenta exploratória baseada em dados para inferência causal com resultados não estruturados. Sua significância reside em:

Evitar o Viés de Pré-especificação: Remove a necessidade de o analista definir manualmente livros de códigos ou características antes da análise, permitindo que os dados revelem quais aspectos do resultado são causalmente deslocados.
Interpretabilidade: Ao aprender uma função de pontuação e, em seguida, inspecionar exemplos de alta/baixa pontuação, o método preenche a lacuna entre embeddings de alta dimensão e mecanismos causais interpretáveis por humanos.
Lidar com a Complexidade: Aborda a natureza "mal definida" dos ATEs para objetos não estruturados ao reformular a questão causal em torno do contraste em um espaço de características aprendido, em vez de uma subtração direta de objetos.
Flexibilidade: O framework acomoda efeitos heterogêneos e dados não estruturados bidirecionais (tratamento e resultado), expandindo o escopo das questões causais que podem ser feitas em campos como saúde, políticas públicas e ciências sociais.

Os autores mantêm um tom modesto, posicionando o MCF como um mapa exploratório que identifica onde os contrastes induzidos pelo tratamento estão concentrados, em vez de um teste confirmatório para um atributo pré-nomeado. Os rótulos (ex: "formalidade", "desfoque") são interpretações derivadas dos escores aprendidos e da subsequente inspeção de especialistas do domínio, não propriedades inerentes ao próprio algoritmo.