定位非结构化结果的因果影响：最大对比特征方法

传统的因果推断研究大多聚焦于标量结果，比如评估病人是否康复、收入变化幅度、网页访问量增减等，此时平均处理效应可以通过处理组与对照组的潜在结果差值直接计算。但当研究的结果是临床病历、开放式问卷回复、医学图像这类非结构化数据时，传统的分析思路就不再适用——文本和图像无法直接进行数值相减，而所谓的“平均文本”或“平均图像”也并非科学研究真正关心的分析目标。

近期有研究提出了一套针对非结构化结果的因果推断框架，将开放式的因果问题转化为特征搜索任务，通过学习最大对比特征来识别处理操作对非结构化结果最显著的影响方向，这套方法还可以进一步扩展到处理和结果均为非结构化对象的场景中。

这套方法的核心思路是，面对非结构化结果时，无需预先人为规定固定的分析指标，而是将“究竟哪个结果特征被处理改变最显著”本身作为因果查询的核心内容。研究者需要在候选的特征函数类中，寻找一个有界的打分函数，使得该函数在处理组和对照组的潜在结果之间产生最大的因果对比。

举个实际场景来说，如果医院引入了AI病历书写辅助工具，研究者起初可能并不清楚这个工具会让病历变得更正式、更长、更模板化，还是会让病历内容更完整。最大对比特征的作用就是，在控制混杂因素的前提下，从文本或图像的向量表示中自动找出“被处理改变最明显的维度”，再通过低分样本和高分样本的差异来解释这个特征的具体含义。

该研究还进一步给出了该方法的识别条件、估计算法，以及针对异质处理效应的扩展方案，同时针对处理和结果都为非结构化对象的场景，提出了配对特征学习的解决方案。实验覆盖了文本风格调整、文本安全性优化、多维度文本变化、细胞图像模糊度分析、提示词到新闻标题生成等多个场景，验证了该方法可以恢复全局和上下文依赖的处理效应方向。

在正式的方法框架中，观测数据包含处理前的协变量、二元处理标识、非结构化结果以及结果的向量表示。该方法的关键假设包括一致性、可忽略性和重叠性：即在给定协变量的条件下，处理分配与潜在结果相互独立，且每个协变量水平下处理组和对照组都存在正概率。

基于这些假设，每个特征打分函数对应的因果对比可以表示为期望差值，而最大对比特征就是在候选函数类中最大化该对比的函数。为了避免任意缩放带来的无意义最大值，特征函数被限制为有界输出，通常映射到0到1的区间内，这样学习目标就可以理解为寻找最能区分处理组和对照组潜在结果的结果侧特征。

针对异质处理效应的扩展允许特征函数同时依赖结果和协变量，这是因为不同上下文下，处理对结果的改变方向可能存在差异。比如同样是文本生成干预，在娱乐语境中可能会提升文本的口语化程度，而在家庭建议语境中则可能提升文本的正式性，如果强行学习全局特征，就会将相反的方向混淆在一起。

在估计算法层面，该研究采用参数化的特征函数，比如神经网络，并使用倾向得分加权的目标进行优化。算法流程大致可以分为：首先估计处理的倾向得分，然后在样本划分或交叉拟合的条件下训练特征打分函数，再用学到的函数对结果进行打分，最后通过低分和高分样本的差异来解释该特征的具体含义。该研究还讨论了渐近正态性和效率条件，为后续的统计推断提供了理论基础。

需要注意的是，最大对比特征并非天然带有“正式度”“模糊度”这类语义标签，它只是通过数据学习得到的打分函数。研究者需要通过代表性样本、特征编辑、方向移动、低高分对照、已有外部分类器或人工审查等方式，才能理解这个函数所捕捉的具体内容。

当处理本身也属于非结构化对象时，单纯学习结果侧的最大对比特征并不足够。此时该研究引入了配对的特征打分函数：处理侧函数用于刻画处理对象中最具影响力的属性，结果侧函数用于刻画结果对象中最受处理影响的属性，目标是在控制协变量的条件下，找到处理侧和结果侧最强的对应关系，而非单纯寻找所有的相关性。

在这类场景的估计过程中，该研究使用匹配的负控制结果来构建基线，即在保持协变量结构的前提下，将真实处理与不匹配的结果进行对比，使模型能够学习到真正的处理-结果对应关系，而非仅学习协变量或主题背景带来的共同变化。这种设计特别适合大模型生成内容的场景，因为主题、风格和提示词往往彼此混杂，容易干扰因果效应的识别。

该研究通过多组实证研究展示了方法的实际效果：第一组实验聚焦文本结果，通过文本风格数据构建处理诱导的正式性变化。在全局场景中，处理会提升所有语境下的文本正式性，学到的特征会给正式句子更高的分数；而在上下文依赖的场景中，处理方向会随语境发生反转，比如在娱乐语境中非正式文本得分更高，而在家庭语境中正式文本得分更高，这说明协变量自适应的特征并非普通的正式性分类器，而是在控制上下文的条件下识别处理诱导的方向变化。

第二组实验关注图像结果，使用细胞图像研究处理是否在控制细胞数量这一内容因素后改变图像的风格，比如模糊度。实验结果显示，学到的特征分数与图像的模糊程度呈正相关，进一步的操作验证显示，在保持细胞数量基本不变的情况下，沿着学到的特征方向调整图像，会让图像变得更模糊。

第三组实验对应处理和结果均为非结构化的场景，可控实验表明配对特征函数能够忽略无关的处理坐标和结果坐标，仅捕捉真正相关的处理-结果方向。最后一组实验研究了提示词到新闻标题生成的文本到文本场景，结果显示在娱乐和政治两个主题中，正式的提示词都会获得更高的处理侧分数，对应的生成标题也会获得更高的结果侧分数，说明模型恢复的是提示词正式性到标题正式性的因果关系，而非简单学习主题差异。

该研究的核心贡献在于将非结构化结果上的开放式因果问题转化为可估计的特征搜索问题，让研究者无需预先指定“应该关注哪个文本或图像属性”，而是可以在候选函数类中寻找处理诱导变化最强的结果特征，再通过解释步骤理解其具体含义。

这种思路在医疗、公共政策、社交平台、生成式AI评估和计算社会科学等领域都具有现实意义。很多现代干预的结果本身就是非结构化对象：比如AI辅助写作会改变文档内容，训练项目会改变开放式反馈的内容，图像处理算法会改变医学图像的质感，提示词会改变大模型的输出风格。最大对比特征提供了一种介于纯人工指标和黑箱分布比较之间的分析工具。

不过该研究也提示了几个需要谨慎的地方：首先，最大对比特征依赖候选函数类和结果的向量表示，如果表示没有保留关键属性，方法就无法恢复有效的特征；其次，学到的特征需要经过解释，不能直接将高分和低分等同于某个语义标签；最后，识别因果效应仍然依赖传统因果推断的基本假设，特别是可忽略性和重叠性，如果存在未观测的混杂因素，仅靠非结构化表示并不能自动解决因果识别的问题。

整体来看，这项研究将因果推断从“标量结果世界”扩展到了文本、图像和生成内容的场景中，其核心思想并非替代传统的因果框架，而是在传统识别逻辑的基础上，将结果特征的学习纳入因果查询的过程中。随着AI系统产生的非结构化输出越来越多，这类方法有望成为评估模型干预、医疗流程变化和平台机制影响的重要工具。