通过智能体假设与实验加速社会科学研究
人工智能
2026-02-10 v1 计算与语言
摘要
数据驱动的社会科学研究本质上进展缓慢，依赖于观察、假设生成和实验验证的迭代循环。虽然近期的数据驱动方法有望加速这一过程的某些部分，但它们大多无法支持端到端的科学发现。为弥补这一差距，我们提出了EXPERIGEN，一个智能体框架，通过受贝叶斯优化启发的两阶段搜索来实现端到端的发现，其中生成器提出候选假设，实验者对其进行实证评估。在多个领域，EXPERIGEN始终能发现比先前方法多2-4倍的统计显著假设，且这些假设的预测能力高出7-17%，并能自然地扩展到包括多模态和关系数据集在内的复杂数据领域。除了统计性能，假设还必须具有新颖性、实证基础性和可操作性，才能推动真正的科学进步。为评估这些品质，我们对机器生成的假设进行了专家评审，收集了资深教师的反馈。在评审的25个假设中，88%被评为中度或高度新颖，70%被认为具有影响力且值得深入研究，并且大多数假设的严谨性可与高年级研究生水平的研究相媲美。最后，认识到最终验证需要真实世界证据，我们进行了首次针对LLM生成假设的A/B测试，观察到p值小于1e-6且效应量高达344%的统计显著结果。
引用
@article{arxiv.2602.07983,
title = {Accelerating Social Science Research via Agentic Hypothesization and Experimentation},
author = {Jishu Sen Gupta and Harini SI and Somesh Kumar Singh and Syed Mohamad Tawseeq and Yaman Kumar Singla and David Doermann and Rajiv Ratn Shah and Balaji Krishnamurthy},
journal= {arXiv preprint arXiv:2602.07983},
year = {2026}
}