研究表明，通过使用数据驱动的预测模型作出的决策越来越多，对于这些决策的影响，对于个人和社会，决策者透明公开的政策也就越来越重要。我们的研究目标是找到在具有策略性投资的情况下，对于实用性最优的决策策略，在我们的研究中，我们首先表征了个体策略性努力投资如何导致特征分布的变化，然后提出了一种适用于多种情况的最优决策策略的搜索方法，并根据合成和现实数据的实验结果，说明了我们算法找到的决策策略比没有考虑策略性的决策策略的实用性要高。
May, 2019
本文基于离散选择建模，针对整体权衡、最大化一致性或不一致性以及促进特定选择等问题，提出了一种优化框架，着重研究了直接更改选择集合对决策者群体偏好的影响，通过限制条件的引入，揭示了不同问题之间的基本边界，为难以解决的问题设计了近似算法，并展示了这些算法在现实世界的应用。
Feb, 2020
对于估计异质性治疗效果的研究人员，不需要局限于单个模型拟合算法，应通过从验证集中学习的目标函数对使用多个算法拟合的多个模型进行评估，从而选择最小化目标的模型，用于未来个体的治疗效果估计。
Apr, 2018
该研究讨论了如何在评估个性化干预政策的公平性时使用部分识别 ROC 和 xROC 曲线，前提是满足单调性条件，该方法可以在许多应用中是合理的。
Jun, 2019
通过将问题重新定义为一个学习任务，而不是 m 个个别任务，我们提出了一种新的方法，基于将数据递归地分成不同治疗方案最佳的区域。我们开发了新的工具来验证和评估观察数据中的个性化模型，并在个性化医学和职业培训应用中展示了我们的新方法的优势。
Aug, 2016
通过模拟实验，我们发现教育科技中的自适应个性化可能是一把双刃剑，实时个性化在某些情况下改善学生体验，但较慢的个性化和潜在的歧视结果意味着更个性化的模型并不总是有益的。
Sep, 2023
研究算法决策对长期影响的动态学习设置，通过对决策规则和个人投资之间的互动进行建模，表明通过分组复制规则和投资成本补贴两种干预措施可实现更好的长期结果，但前提是要考虑到组内异质性以及可实现性的影响。
Oct, 2019
本研究提出了一种非参数因果模型来研究个性化系统中的用户行为，并介绍了新的实验设计，可以通过干预系统个性化来区分用户学习效应和个性化效果。模拟结果表明，所提出的新设计可以成功恢复感兴趣的动态因果效应。
Jun, 2023
研究决策规则中的非透明度对个体战略学习能力的影响，通过推理学习规则（如申请贷款的朋友和熟人等）来实现对规则的了解，并证明了在许多自然情况下可以同时保证各个子群体的最优改进。
Mar, 2021
我们提出了一种方法来比较决策策略的预测性能，该方法结合了因果推断和离线评估文献中的现代识别方法，并使用我们的框架在真实世界的医疗保险注册政策的预部署评估中进行了应用。
Apr, 2024