CausalChat: Desarrollo y refinamiento de modelos causales interactivos utilizando modelos de lenguaje grandes

Área de la Ciencia:

• Ciencia de los datos
• Inteligencia artificial
• Ciencia de las redes

Sus antecedentes:

• Las redes causales son cruciales para modelar relaciones complejas entre variables en varios dominios.
• Los métodos existentes para la construcción de redes causales a menudo se basan en la experiencia humana, lo que requiere un conocimiento y una participación significativos en el dominio.

Objetivo del estudio:

• Desarrollar un nuevo enfoque para la construcción de redes causales mediante el aprovechamiento de los conocimientos integrados en los grandes modelos de lenguaje (LLM).
• Para presentar CausalChat, una interfaz de análisis visual diseñada para el descubrimiento de redes causales interactivas.
• Evaluar la eficacia de CausalChat con diversos conjuntos de datos y grupos de usuarios.

Principales métodos:

• Utilizó el conocimiento causal adquirido por los LLM (por ejemplo, GPT-4) de una extensa literatura.
• Desarrolló una interfaz de análisis visual (CausalChat) que permite la exploración recursiva de las variables.
• Interacciones de usuario traducidas en solicitudes de LLM personalizadas para identificar relaciones causales, variables latentes, factores de confusión y mediadores.
• Representaciones visuales integradas con explicaciones textuales para una mejor comprensión.

Principales resultados:

• Demostró la funcionalidad de CausalChat en una variedad de contextos de datos.
• Los estudios de usuarios en los que participaron tanto expertos como personas no especializadas validaron la utilidad de la herramienta.
• El sistema facilitó con éxito la construcción de redes causales detalladas a través de la exploración conversacional.

Conclusiones:

• CausalChat ofrece un método innovador para la construcción de redes causales, reduciendo la dependencia de una amplia experiencia en el dominio humano.
• El análisis visual impulsado por LLM presenta una vía prometedora para el descubrimiento de relaciones de datos complejas.
• El enfoque es adaptable y eficaz para usuarios con diferentes niveles de conocimiento del dominio.