arrow
返回

Causal Inferences from Digital Behavioral Data

delete2026-02-01
delete2
delete
OA
AI
H
Heinz Leitgöb *
F
Florian Keusch
DOI:10.1007/s11577-026-01050-3delete
delete原文链接
delete分享
delete收藏
查看原文
摘要

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

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
KOLNER ZEITSCHRIFT FUR SOZIOLOGIE UND SOZIALPSYCHOLOGIE
IF:
0.9
论文数:
63
被引数:
890

机构

U
university of mannheim
学者数:
269
论文数: 180
被引数: 0
L
leipzig university
学者数:
1.8K
论文数: 759
被引数: 0
引用论文

引用论文

Social prediction: a new research paradigm based on machine learning
err2021-09-01
err0
errOAAI
errYunsong Chen; Xiaogang Wu; Anning Hu; Guangye He; Guodong Ju
err分享
err收藏
err
IF0
err
err0
PREAI
err
err分享
err收藏
err分享
err收藏
err分享
err收藏
Increasing Transparency Through a Multiverse Analysis
err2016-09-29
err750
errOAAI
errSteegen, Sara; Tuerlinckx, Francis; Gelman, Andrew; Vanpaemel, Wolf
err分享
err收藏
Good News! Communication Findings May be Underestimated: Comparing Effect Sizes with Self-Reported and Logged Smartphone Use Data
err2020-08-24
err49
errOAAI
errJones-Jang, S. Mo; Heo, Yu-Jin; McKeever, Robert; Kim, Jung-Hyun; Moscowitz, Leigh; Moscowitz, David
err分享
err收藏
学者 查看更多内容