AI 辅助干预的部署：容量约束与噪声合规
统计方法学
2026-04-17 v1 机器学习
摘要
AI 工具越来越多地指导医疗、教育和招聘等领域的定向干预。算法对个体进行评分，触发高风险或高价值个体的主动联系，鼓励他们请求服务；随后服务提供者针对请求服务的个体提供服务。标准做法是设置阈值并选择算法以最大化预测准确度，假设更好的预测会导致更好的结果。我们指出，在服务容量有限且行为响应为概率性时，此方法次优。在此类设置下，最优得分阈值必须平衡两个效果：确保所有容量被填满(利用率)和确保在请求之间竞争的情况下服务高价值个体(竞争)。我们 characterize 最优阈值并证明仅基于预测准确度的政策通常次优。此外，由于最优阈值随服务容量而变化，所有阈值权重相等的算法选择指标如 AUC(ROC 曲线下面积)与操作绩效不一致。我们引入一种新指标——运营 AUC(Operational AUC, OpAUC)，并展示它导致最优算法选择。最后，我们对败血症早期警报数据进行案例研究，说明从改进的阈值和算法选择中可以实现的改进规模。
引用
@article{arxiv.2604.14370,
title = {Deployment of AI-Assisted Interventions: Capacity Constraints and Noisy Compliance},
author = {Carri W. Chan and Yi Han and Hannah Li and Benjamin L. Ranard},
journal= {arXiv preprint arXiv:2604.14370},
year = {2026}
}