执行性预测：过去与未来

社会世界中的预测通常会影响预测目标，这一现象被称为执行性。自我实现与自我否定的预测即是执行性的例子。对经济学、金融学与社会科学具有根本重要性，该概念在基于模式识别静态视角的机器学习发展中一直缺席。然而，在机器学习应用中，执行性常表现为分布偏移。例如，部署于数字平台的预测模型会影响行为，从而改变数据生成分布。我们讨论近来确立的执行性预测领域，其为研究机器学习中的执行性提供了定义与概念框架。执行性预测的关键要素是一种自然均衡概念，由此产生新的优化挑战。由此区分出学习与引导，二者是执行性预测中并存的两种机制。引导转而密切关联于数字市场中的权力问题。我们回顾的执行性权力概念回答了平台通过其预测能多大程度引导参与者的问题。我们以对未来方向的讨论作结，例如执行性在审视算法系统中的作用。