IV Co-Scientist：基于多智能体LLM框架的因果工具变量发现
人工智能
2026-04-07 v2
摘要
在内生变量与结果变量之间存在混杂时，可使用工具变量(IV)来隔离内生变量的因果效应。识别有效的工具变量需要跨学科知识、创造力和情境理解，因而是一项非平凡的任务。本文我们探讨了大型语言模型(LLM)能否有助于完成此任务。我们进行了两阶段评估框架。首先，我们测试LLMs能否从文献中恢复已知的工具变量，以评估其复制标准推理的能力。其次，我们评估LLMs能否识别并避免已被实证或理论否定的工具变量。基于这些结果，我们引入IV Co-Scientist，一个提出、批判并细化给定治疗-结果对的工具变量的多智能体系统。我们还引入一种统计检验，用于在无真实值情境下 contextualize 一致性。我们的结果表明，LLMs有望从大规模观察性数据库中发现有效的工具变量。
引用
@article{arxiv.2602.07943,
title = {IV Co-Scientist: Multi-Agent LLM Framework for Causal Instrumental Variable Discovery},
author = {Ivaxi Sheth and Zhijing Jin and Bryan Wilder and Dominik Janzing and Mario Fritz},
journal= {arXiv preprint arXiv:2602.07943},
year = {2026}
}
备注
Paper accepted at CleaR 2026