Краткое содержание

arXiv:2511.05805v1 Тип объявления: новый Аннотация: Модели ИИ часто оцениваются исходя из их способности предсказывать интересующий результат. Однако во многих приложениях ИИ, направленных на социальное воздействие, наличие вмешательства, влияющего на исход, может привести к смещению оценки модели. В рандомизированных контролируемых испытаниях (РКИ) вмешательство случайным образом назначается участникам, позволяя использовать данные контрольной группы для беспристрастной оценки моделей. Тем не менее этот подход неэффективен, поскольку игнорирует данные от экспериментальной группы. Учитывая сложность и стоимость, часто ассоциируемые с РКИ, важно наиболее эффективно использовать имеющиеся данные. Поэтому мы исследуем стратегии оценки моделей, использующие всю доступную информацию из РКИ. Во-первых, теоретически количественно определяем смещение оценки, возникающее при простом объединении показателей производительности групп лечения и контроля, и выводим условие, при котором такое смещение приводит к неправильному выбору модели. Используя эти теоретические выводы, предлагаем метод взвешивания досаждающих параметров...