返回
Causal Inferences from Digital Behavioral Data
DOI:10.1007/s11577-026-01050-3.png)
摘要
En 中文
近年来,数字行为数据(DBD)已成为社会科学研究中的强大资源。它们的普遍性、细粒度、复杂性和连续收集为详细考察社会过程提供了新的机会。然而,由于DBD类型多样且通常构成现成数据(非为研究目的而生成的数据),其因果分析潜力常被低估。为解决此问题,本文概述了开发使用DBD进行有效因果推断的方法论框架的关键考量。讨论重点在于设计局限性如何:(i)在设计DBD时预先排除,或(ii)通过理论及时序信息、结构因果模型的具体化、事后设计考量以及适当分析工具的应用进行补偿,使现成DBD适用于因果效应估计。
Keyword:
Digital behavioral data
Causal inference
Structural causal models
Causal machine learning
Generative artificial intelligence
Computational social science
Digitale Verhaltensdaten
Kausale Inferenz
Strukturelle Kausalmodelle
Kausales maschinelles Lernen
Generative k & uuml
nstliche Intelligenz
Computationale Sozialwissenschaften
AI总结
对已上传原文的论文进行重点信息的提取,主要内容包括:简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
K
IF:
0.9
论文数:
63
被引数:
890
机构
引用论文
Sources of Segregation in Social Networks: A Novel Approach Using Facebook社交网络中的隔离来源: 使用Facebook的一种新方法

