文章提出了一种使用新的数据技术进行文本数据分析的概念框架，以发现可以测试社会科学理论的有用标准，并提供了一种基于隐含表征的文本数据推理方法。

Feb, 2018

使用大量患者记录和治疗历史的文本数据，可以在临床数据的全部阶段中以最小的额外工作量支持因果推断，通过三种方式利用文本数据增强经典匹配分析，改善缺失数据的模拟值的准确性、增强匹配过程的合理性，并结合文本变量来估计易于解释的基于文本的治疗效应。希望利用这些技术拓展临床数据的次级分析范围，特别是在定量数据质量差或不存在的情况下，但有文本数据可用，例如在发展中国家。

Jun, 2023

本文回顾了计算社会科学中利用文本分析解决因果推论中混淆变量引起偏差的方法，并提出数据处理及评估决策的指南。尽管在利用文本分析进行混淆因素调整方面已取得了进展，但仍存在很多未解决的问题。

May, 2020

该研究提供了第一个结合真实世界研究任务的文本因果推理方法的经验评估框架，评估了常用文本因果推理方法的优缺点，并公开任务、数据和模型，以促进应用和鼓励额外研究。

Sep, 2020

本研究探讨了文本分类器在因果推断中的应用，研究结果表明其可用于基于语言数据的因果分析，并讨论了使用文本数据进行因果推断的机会和挑战。

Oct, 2018

本文综述了早期人类构造的语言和句法规则以及最新机器学习技术在提取因果关系上的应用，并分析了它们的优劣，建议未来的研究方向。

May, 2016

提出一种基于时间序列的 Granger 因果关系并结合文本数据进行因果关系的提取，建立事实间的因果联系，使用神经元的推理算法训练常识因果关系对下一个因果步骤的预测，并取得了实验证据支持该方法从时间序列文本特征中提取有意义的因果联系并生成适当解释

Jul, 2017

从观察性文本数据中估计因果效应时，考虑潜在协变量的调整至关重要。然而，现有方法只考虑影响治疗和结果的混杂协变量，可能导致偏倚的因果效应估计。本研究旨在通过揭示不同变量之间的相互作用来解开估计文本因果效应时的非混杂协变量，从而减小偏倚。解开过程确保协变量只对各自的目标贡献，实现变量之间的独立性。此外，我们引入约束条件来平衡治疗组和对照组的表示，以减轻选择偏倚。在不同场景下，我们对两种不同处理因子进行实验，实验证明了我们提出的模型明显优于最近的强基线。此外，对收入电话会议记录的彻底分析表明，我们的模型能够有效解开变量，进一步的研究为投资者提供了决策指南。

Nov, 2023

最近的基于文本的因果方法尝试通过将非结构化文本数据作为部分或不完全测量的混淆变量的代理来减轻混淆偏差。我们提出了一种新的因果推断方法，它使用两个零样本模型从预处理文本数据中推断出两个代理，并将这些代理应用于近端 g 公式中，从而解决了一个重要的未观测到的混淆变量的问题。我们证明了我们的基于文本的代理方法满足近端 g 公式所需的识别条件，而其他看似合理的提议则不满足。我们在合成和半合成环境中评估了我们的方法，并发现它产生了低偏差的估计。这种近端因果推断与零样本分类器的结合是新颖的（据我们所知），并扩展了可供实践者使用的文本特定的因果方法。

Jan, 2024

本研究是基于任务驱动面试方法，研究本科生如何使用包括文本数据在内的非结构化数据进行分类，并探究文本的特征，最终发现了三种类型的特征（功能，内容和形式），大部分在第一种情境中产生。

Jan, 2023