XplainAct：面向个体干预洞察的可视化

因果推理帮助人们理解复杂系统，尤其通过探索干预如何改变结果的what-if分析。在现有方法中，虽然拥抱干预和反事实分析，但主要关注总体水平的效应。在异构性显著的系统中，干预的影响可能在不同子群中差异巨大。为此，我们提出XplainAct，一个支持在子群中对个体层面模拟、解释和推理干预的可视化分析框架。我们通过两个案例研究展示了XplainAct的有效性：一个是流行病学中针对阿片类药物致死的研究，另一个是对总统大选选举意向的分析。