从合理到因果: 仿真在线社区的反事实语义

基于大语言模型的社会模拟可以生成令人信服的社区互动，为治理干预提供 ``政策隧道''，在部署前进行测试。但可信并不等同于因果性。诸如 ``干预 $A$ 减少升级'' 的主张，需要因果语义，而当前仿真工作通常未加以指定。我们提出采用因果反事实框架，区分必要因果性 (干预是否导致结果?) 与充分因果性 (干预是否可靠地产生结果?)。这一区别对应不同的利益相关方需求：调查员诊断事件需要关于必要性的证据，而平台设计者选择政策则需要关于充分性的证据。我们对该映射进行形式化建模，展示仿真设计如何在明确假设下支持估计，并主张所得量应解释为仿真条件下因果估计，其政策相关性取决于仿真的保真度。现在确立此框架至关重要：它有助于定义充分保真度的含义，并将该领域从看起来真实的仿真推向能够支持政策变更的仿真。