论结果预测的可操作性

预测未来结果是机器学习在社会影响领域的普遍应用。例子从教育领域预测学生成功到医疗领域预测疾病风险不一而足。从业者认识到，最终目标不仅仅是预测，而是有效地行动。越来越多的证据表明，依赖结果预测进行下游干预可能无法取得预期结果。在大多数领域中，每个个体都存在多种可能的干预措施，这使得采取有效行动的挑战更加严峻。即使将个体潜在状态与结果连接的因果机制已被充分理解，在任何给定实例（特定学生或患者）中，从业者仍需从对潜在状态的预算化测量中推断，诸多可能干预中哪一种对该个体最为有效。鉴于此，我们提出：准确的结果预测器何时有助于识别最合适的干预？通过一个包含行动、潜在状态和测量的简单模型，我们证明纯粹的结果预测很少能产生最有效的行动策略，即使与其他测量结合也是如此。我们发现，除了存在单一决定性行动可改善结果的情况外，结果预测从未最大化“行动价值”，即采取行动的效用。对可操作潜在状态（特定行动可带来期望结果）进行测量，相比结果预测可显著提升行动价值，且提升程度取决于行动成本和结果模型。该分析强调了在干预场景中超越通用结果预测、纳入合理行动与潜在状态知识的必要性。