利用潜在变量建模来解决处理混淆因素以从观测数据中获取个体级因果关系的问题，该方法基于变分自编码器，效果显著优于现有方法且可达到同类方法的最佳水平。

May, 2017

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

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

本文介绍了通过「文本蒸馏」预处理方法来控制文字信息偏差的研究，以及如何缓解治疗相关信号对研究结果的影响。

May, 2022

本文探讨了大型语言模型（LLMs）的因果能力，证明它们在因果推理方面具有优越性能和独特的知识来源。同时，我们提供了技术来解释它们的鲁棒性，并认为LLMs可用作人类领域知识的代理以及降低因果分析中的人力成本。因此，LLMs在推动因果研究、实践和采纳方面开辟了新的前沿。

Apr, 2023

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

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

本研究探讨了因果推断在医学和经济学等多个领域的挑战，并指出传统方法的局限性。通过评估大型语言模型（LLMs）在因果推断任务中的应用，本文总结了主要的因果问题和方法，并讨论了其潜在影响，指出LLMs在推动因果推断方法学进步中的重要角色。

Sep, 2024

本研究解决了因果机器学习中从观察数据准确估计异质治疗效果的难题，尤其是当混杂因素嵌入文本时。通过合成数据实验，我们提出使用预训练文本表示的学习者在充分数据条件下能显著改善条件平均治疗效果（CATE）的估计。研究发现文本嵌入的复杂性限制了这些模型的表现，但同时也展现了其在因果推断中的潜力和未来研究的广阔空间。

Sep, 2024