传统因果推断最熟悉的问题，是处理一个标量结果：病人是否康复、收入增加多少、网页访问量变化多少。此时平均处理效应可以直接写成处理组和对照组潜在结果之差。但当结果本身是一段临床病历、一条开放式问卷回答、一张医学图像，问题就不再这么简单：文本和图像不能自然相减，“平均文本”或“平均图像”也很少是科学问题真正关心的对象。

这篇论文《Causal Inference with Unstructured Outcomes》正是处理这个难点。作者提出，面对非结构化结果，不应先人为规定一个固定指标，而应把“究竟哪个结果特征被处理最显著改变”本身定义为因果问题。论文提出最大对比特征，即在候选特征函数类中寻找一个有界打分函数，使它在处理和对照潜在结果之间产生最大的因果对比。

直观地说，如果医院引入一个 AI 病历书写工具，研究者不一定事先知道它会让病历更正式、更长、更模板化，还是更完整。最大对比特征要做的，就是在控制混杂因素之后，从文本或图像表示中自动找出“被处理改变得最明显的方面”，再通过低分样本和高分样本的差异来解释这个特征。 论文进一步给出识别条件、估计算法、异质效应扩展，以及处理和结果都为非结构化对象时的配对特征学习方法。实验覆盖文本风格、文本安全性、多维文本变化、细胞图像模糊、提示词到新闻标题生成等场景，展示该方法如何恢复全局和上下文依赖的处理效应方向。

论文信息

论文标题：Causal Inference with Unstructured Outcomes 作者：Kevin Christian Wibisono, Yixin Wang 机构：University of Michigan, Ann Arbor 论文链接：https://arxiv.org/abs/2608.03085 发布时间：2026 年 8 月 4 日 论文领域：统计机器学习、因果推断、非结构化数据分析

引言：为什么平均处理效应不够

论文第一节从标量结果和非结构化结果的差异讲起。在标量结果中，平均处理效应有清晰含义：比较同一总体在处理和对照状态下的平均潜在结果。但当结果是一篇文档或一张图像时，直接相减没有自然定义，研究者也不一定知道应该预先提取哪个指标。 常见做法是先把结果映射成一个标量特征，例如文本的正式程度、图像的模糊度、病历的完整性，再估计该特征上的因果效应。问题在于，特征往往不是显而易见的。预先写好的 codebook、主题模型、嵌入坐标或人工指标，可能遗漏真正受到处理影响的结果维度。 因此，作者把“选择哪个特征”纳入因果查询本身。给定一类有界特征打分函数，每个函数都能把非结构化结果映射到标量，并定义一个处理组减对照组的因果对比。最大对比特征就是使这个对比最大的函数。它不是一个事先命名的属性，而是一个从数据中学到的打分方向，随后再通过样本解释、编辑或可视化来赋予语义。

图1 最大对比特征的核心思想：控制混杂变量后，在候选特征中寻找处理与对照潜在结果差异最大的打分函数。 论文还讨论了两类扩展。第一，处理效应可能随上下文变化。例如 AI 病历工具可能让常规门诊记录更模板化，却让复杂病例记录更详细；因此特征函数可以依赖协变量，形成异质最大对比特征。第二，处理本身也可能是非结构化对象，例如提示词是处理，生成标题是结果。此时需要同时学习处理侧特征和结果侧特征，识别哪类处理属性最能诱发哪类结果属性。

非结构化结果的因果推断

第二节正式定义问题。观测数据包括处理前协变量、二元处理、非结构化结果，以及结果的表示。结果可以是文本嵌入、图像表示或其他向量化对象。关键假设包括一致性、可忽略性和重叠性：在给定协变量后，处理分配与潜在结果独立，并且每个协变量水平下处理和对照都有正概率。 在此基础上，论文把每个特征打分函数对应的因果对比写成期望差。最大对比特征则是在候选函数类中最大化该对比。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。这样，学习目标可以理解为寻找一个“最能区分处理潜在结果和对照潜在结果”的结果侧特征。 识别部分说明，在上述假设下，任意固定特征上的因果对比可以由观测数据识别。直观上，处理组和对照组的结果需要经过倾向得分调整，使比较发生在同一协变量分布下。论文随后把这个识别结果推广到整个特征函数类，并给出最大化目标的可估计形式。 异质效应扩展允许特征函数同时依赖结果和协变量。这样做的意义在于，不同上下文下“被处理改变的方面”可能不同。例如同样是文本生成干预，在娱乐语境中可能提升口语化，在家庭建议语境中可能提升正式性；如果强行学习一个全局特征，就会把相反方向混在一起。 估计算法上，论文采用参数化特征函数，例如神经网络，并使用倾向得分加权目标进行优化。算法流程可以概括为：估计处理倾向得分；在样本划分或交叉拟合下训练特征打分函数；用学到的函数对结果打分；最后通过低分和高分样本的差异来解释该特征。论文还讨论了渐近正态性和效率条件，为后续统计推断提供理论基础。 解释最大对比特征是第二节的最后重点。作者强调，最大对比特征不是天然带有“正式度”“模糊度”这样的标签。它只是一个被学习出来的打分函数。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，理解这个函数捕捉的究竟是什么。

处理与结果都非结构化

第三节进一步考虑处理和结果同时是非结构化对象的情形。典型例子包括：文本提示词作为处理，生成文本或图像作为结果；治疗方案文本作为处理，随访记录作为结果；问卷刺激材料作为处理，开放式回答作为结果。 这时，单纯学习结果侧最大对比特征还不够。论文引入配对的特征打分函数：处理侧函数刻画处理对象中最有影响的属性，结果侧函数刻画结果对象中最受影响的属性。目标不是寻找所有相关性，而是在控制协变量后找到处理侧和结果侧最强的对应关系。 估计时，论文使用匹配的负控制结果来构造基线：在保持协变量结构的前提下，把真实处理与不匹配的结果进行对比，使模型学习到真正的处理-结果对应，而不是只学习协变量或主题背景带来的共同变化。这一设计特别适合大模型生成内容场景，因为主题、风格和提示词往往彼此混杂。

实证研究

第四节用三组实证研究展示方法行为。 第一组实验关注文本结果。作者使用文本风格数据构造处理诱导的正式性变化。在第一个场景中，处理在所有上下文中都提高正式性，因此学到的特征给正式句子更高分；在第二个场景中，处理方向随上下文改变，娱乐语境中非正式文本得分更高，而家庭语境中正式文本得分更高。这说明协变量自适应特征并不是学习一个普通正式性分类器，而是在控制上下文后识别处理诱导的方向。

图2 文本正式性实验：全局场景中正式文本得分更高，上下文依赖场景中处理方向随语境发生反转。 第二个文本实验关注非毒性方向。在全局场景中，学到的特征对非毒性文本给出更高分；在上下文依赖场景中，高冲突讨论和温和支持场景呈现相反方向。论文由此说明，如果只用一个上下文无关的解释，可能会误读干预的真实作用。

图3 文本安全性实验：方法能恢复全局非毒性方向，也能识别不同语境下相反的处理诱导方向。 第三个文本实验检验多个文本维度同时变化。作者构造正式性和标点两个属性，并设置不同场景：有的处理同时改变正式性和标点，有的只改变标点，有的只改变正式性。结果显示，最大对比特征能根据数据生成机制恢复相应组合，而不是固定追随某一个人工标签。 第二组实验关注图像结果。作者使用细胞图像，研究处理是否在控制细胞数量这个内容因素后改变图像风格，例如模糊度。实验中，学到的特征分数与图像模糊程度正相关；进一步的 nudging 操作显示，在保持细胞数量内容基本不变的情况下，沿着学到方向移动会让图像更模糊。

图4 细胞图像实验：学到的特征分数与图像模糊程度正相关，并在训练集和测试集中保持一致趋势。 第三组实验对应第三节的扩展：处理和结果都非结构化。一个可控实验表明，配对特征函数能够忽略无关处理坐标和无关结果坐标，只捕捉真正相连的处理-结果方向。图中只有第一个处理坐标和第一个结果坐标呈现系统性关系，其余坐标主要表现为噪声。

图5 配对特征学习实验：处理侧和结果侧函数只响应真正相关的坐标，忽略其他无关维度。 最后，论文研究提示词到新闻标题生成的文本到文本场景。提示词的正式性可能影响生成标题的正式性，但新闻主题同时影响提示词分布和标题内容，因此是混杂因素。实验结果显示，在娱乐和政治两个主题中，正式提示词都获得高处理侧分数，对应生成标题也获得高结果侧分数，说明模型恢复的是提示词正式性到标题正式性的关系，而不是简单学习主题差异。

图6 新闻标题生成实验：正式提示词和对应生成标题在两个主题下都获得更高的配对特征分数。

讨论

第五节总结了方法贡献和边界。论文的核心贡献，是把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。研究者不再必须先验指定“应该看哪一个文本或图像属性”，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含义。 这种思路对医疗、公共政策、社交平台、生成式 AI 评估和计算社会科学都有现实意义。很多现代干预的结果本来就是非结构化对象：AI 辅助写作改变文档内容，训练项目改变开放式反馈，图像处理算法改变医学图像质感，提示词改变大模型输出风格。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工具。 不过，论文也提示了几个需要谨慎的地方。第一，最大对比特征依赖候选函数类和表示空间；如果表示没有保留关键属性，方法也无法恢复它。第二，学到的特征需要解释，不能把高分低分直接等同于某个语义标签。第三，识别仍依赖因果推断的基本假设，特别是可忽略性和重叠性；如果存在未观测混杂，仅靠非结构化表示并不能自动解决因果识别问题。 整体来看，这篇论文把因果推断从“标量结果世界”向文本、图像和生成内容扩展了一步。它的关键思想不是替代传统因果框架，而是在传统识别逻辑之上，把结果特征学习纳入因果查询。随着 AI 系统产生越来越多非结构化输出，这类方法很可能成为评估模型干预、医疗流程变化和平台机制影响的重要工具。