Обсуждение:Причинное машинное обучение

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
Строка 1: Строка 1:
-
== Использованные промпты ==
+
== О подготовке статьи ==
-
'''Модель:''' GPT-5.6 Terra High.
+
Статья «Причинное машинное обучение» подготовлена с помощью LLM '''GPT-5.6 Terra High'''. Цель состояла в том, чтобы создать не краткую заметку, а связанную энциклопедическую статью о методах причинного вывода в машинном обучении: понятную студенту, но содержащую формальные определения, формулы, ограничения и научную литературу.
-
=== Промпт 1. Первая версия статьи ===
+
Первый промпт к GPT-5.6 Terra High был таким:
-
<pre>
+
{{well|
-
Роль: ты — научный редактор русскоязычной энциклопедии MachineLearning.ru и специалист по причинному выводу, статистике и машинному обучению.
+
Ты специалист в области машинного обучения, причинного вывода, статистики и философии искусственного интеллекта. Подготовь на русском языке подробную энциклопедическую статью для MachineLearning.ru под названием «Причинное машинное обучение» (англ. causal machine learning).
-
Задача: подготовь новую подробную энциклопедическую статью на русском языке «Причинное машинное обучение». Цель статьи — не просто объяснить термин, а создать полезный материал для сообщества MachineLearning.ru: понятный студенту и одновременно содержательный для ML-специалиста.
+
Целевая аудитория — студенты, начинающие специалисты по анализу данных и инженеры в области машинного обучения. Статья должна быть понятна с первых разделов, но не упрощать важные технические детали. Сначала объясни мотивацию: почему статистическая связь не равна причинности. Затем постепенно введи формальные понятия и методы.
-
Содержание:
+
Обязательно раскрой различие между предиктивной вероятностью P(Y | X=x), интервенцией P(Y | do(X=x)) и контрфактическим вопросом; структурные причинные модели и ориентированные причинные графы; конфаундеры, медиаторы и коллайдеры; модель потенциальных исходов Y(1) и Y(0); ATE, ATT, CATE и ITE; условия идентификации, критерий задней двери, propensity score, IPW, double machine learning, причинные леса, causal discovery и causal representation learning.
-
- объясни различие между предсказанием, интервенцией и контрфактическим вопросом;
+
-
- введи структурные причинные модели, причинные графы, конфаундеры, медиаторы и коллайдеры;
+
-
- опиши потенциальные исходы, ATE, ATT, CATE и ITE;
+
-
- раскрой условия идентификации причинного эффекта и критерий задней двери;
+
-
- опиши рандомизированные эксперименты, propensity score, matching, IPW, двойную устойчивость, double machine learning, причинные леса и causal discovery;
+
-
- покажи связь причинного подхода с обобщением вне распределения, справедливостью алгоритмов и философией ИИ;
+
-
- укажи ограничения методов и типичные ошибки.
+
-
Формат:
+
Добавь историческую и философскую мотивацию, практические применения, ограничения и типичные ошибки. Покажи связь причинного машинного обучения с A/B-тестированием, обобщением вне распределения, объяснимостью и алгоритмической справедливостью.
-
- используй вики-разметку MachineLearning.ru;
+
-
- начни с {{well|...}} и добавь {{TOCright}};
+
-
- используй внутренние ссылки на связанные понятия, разделы «См. также», «Примечания» и «Литература»;
+
-
- математические формулы оформляй только через <tex>...</tex>, а выключные формулы — с двойным отступом через ::;
+
-
- источники оформляй сносками <ref> с шаблонами {{книга}} и {{статья}}, а в конце поставь {{примечания}};
+
-
- добавь категорию [[Категория:Искусственный интеллект]].
+
-
Ограничители:
+
Не выдумывай факты, авторов, DOI, результаты исследований или источники. Используй надёжную академическую литературу и ссылайся на неё в тексте. Важные понятия оформляй как внутренние ссылки MachineLearning.ru. Используй структуру разделов, принятую для энциклопедических статей.
-
- не выдумывай факты, авторов, DOI, источники, результаты экспериментов и численные показатели;
+
}}
-
- не подменяй причинность корреляцией;
+
-
- явно формулируй предположения и границы применимости методов;
+
-
- не пиши шаблонными фразами и не рекламируй продукты;
+
-
- используй проверяемые академические источники.
+
-
</pre>
+
-
=== Промпт 2. Научная и редакторская доработка ===
+
После первой версии были вручную проверены логика структуры, терминология, математические обозначения и список литературы. Обнаружилась техническая проблема: движок MachineLearning.ru не поддерживает теги <math></math>, используемые в Википедии. Согласно [[MachineLearning:Инструктаж|инструктажу]], на этом ресурсе формулы нужно записывать через <tex></tex>.
-
<pre>
+
Также в статье потребовалось усилить техническую часть: добавить условия идентификации причинного эффекта, формулу корректировки по критерию задней двери, оценку через обратные вероятности назначения вмешательства, double machine learning, причинные леса и ограничения causal discovery.
-
Отредактируй подготовленную статью «Причинное машинное обучение» как требовательный эксперт MachineLearning.ru.
+
-
Проверь её по пяти критериям:
+
Поэтому был сделан второй промпт:
-
1. Статья должна сообщать мотивированному читателю нечто небанальное: не ограничиваться определением, а объяснять механизм, ограничения и реальные исследовательские задачи.
+
-
2. Она должна быть полезна и новичку, и специалисту: сначала давать интуицию, затем точные определения, формулы, условия идентификации и литературу.
+
-
3. Она должна быть связана с ресурсом: добавь уместные внутренние ссылки, раздел «См. также» и категорию.
+
-
4. Убери признаки шаблонного LLM-текста: повторы, пустые общие фразы, чрезмерные обещания и неподтверждённые утверждения.
+
-
5. Проверь воспроизводимость: все формулы должны использовать <tex>, все сноски — реальные академические источники, а формат должен быть совместим с MachineLearning.ru.
+
-
Особенно проверь:
+
{{well|
-
- различие P(Y | X=x) и P(Y | do(X=x));
+
Очень хорошо. Перепиши и отредактируй текст статьи «Причинное машинное обучение», сохранив сильные стороны первой версии, но внеси следующие исправления и дополнения.
-
- корректность определений ATE, ATT, CATE, ITE;
+
-
- условия отсутствия неучтённого смешения и позитивности;
+
-
- корректность формулы back-door adjustment;
+
-
- осторожные формулировки про causal discovery и causal representation learning.
+
-
Верни готовую улучшенную вики-статью целиком, без комментариев вне текста статьи.
+
1. Все математические формулы оформляй только через <tex> и </tex>. Не используй <math> и </math>. Выключные формулы оформляй двойным отступом через ::.
-
</pre>
+
2. Добавь отдельный раздел «Условия идентификации» с согласованностью, отсутствием неучтённого смешения, позитивностью, отсутствием интерференции и критерием задней двери.
 +
3. Приведи формулу back-door adjustment и формулу оценки эффекта через inverse probability weighting. Объясни, при каких предположениях они применимы.
 +
4. Расширь раздел о методах: matching, propensity score, IPW, двойная устойчивость, double machine learning и причинные леса для CATE.
 +
5. Добавь аккуратный раздел о causal discovery: объясни, почему направление связи нельзя автоматически восстановить из произвольных наблюдательных данных.
 +
6. Для важных и редких терминов указывай в скобках исходный английский термин.
 +
7. Проверь, что нет шаблонных фраз, рекламных утверждений, неподтверждённых чисел и выдуманных источников.
 +
8. Не изобретай несуществующие вики-шаблоны и не вставляй шаблоны вида {{...}} в основной текст. Заголовочное предупреждение о модели, TOCright и категорию редактор добавляет отдельно.
 +
9. Сохрани баланс: статья должна быть интересна мотивированному читателю, понятна новичку, полезна специалисту и выглядеть как текст эксперта, а не как сырой ответ LLM.
 +
10. Верни готовую статью целиком в вики-разметке MachineLearning.ru.
 +
}}
 +
 
 +
Итоговый текст был дополнительно проверен перед публикацией: проверены вики-разметка формул, наличие внутренних ссылок, категория, сноски и библиография. В статье использованы работы Pearl, Hernán и Robins, Peters–Janzing–Schölkopf, Chernozhukov et al., Wager–Athey и Schölkopf et al.

Версия 13:51, 11 июля 2026

О подготовке статьи

Статья «Причинное машинное обучение» подготовлена с помощью LLM GPT-5.6 Terra High. Цель состояла в том, чтобы создать не краткую заметку, а связанную энциклопедическую статью о методах причинного вывода в машинном обучении: понятную студенту, но содержащую формальные определения, формулы, ограничения и научную литературу.

Первый промпт к GPT-5.6 Terra High был таким:


Ты специалист в области машинного обучения, причинного вывода, статистики и философии искусственного интеллекта. Подготовь на русском языке подробную энциклопедическую статью для MachineLearning.ru под названием «Причинное машинное обучение» (англ. causal machine learning).

Целевая аудитория — студенты, начинающие специалисты по анализу данных и инженеры в области машинного обучения. Статья должна быть понятна с первых разделов, но не упрощать важные технические детали. Сначала объясни мотивацию: почему статистическая связь не равна причинности. Затем постепенно введи формальные понятия и методы.

Обязательно раскрой различие между предиктивной вероятностью P(Y


После первой версии были вручную проверены логика структуры, терминология, математические обозначения и список литературы. Обнаружилась техническая проблема: движок MachineLearning.ru не поддерживает теги <math></math>, используемые в Википедии. Согласно инструктажу, на этом ресурсе формулы нужно записывать через .

Также в статье потребовалось усилить техническую часть: добавить условия идентификации причинного эффекта, формулу корректировки по критерию задней двери, оценку через обратные вероятности назначения вмешательства, double machine learning, причинные леса и ограничения causal discovery.

Поэтому был сделан второй промпт:


Очень хорошо. Перепиши и отредактируй текст статьи «Причинное машинное обучение», сохранив сильные стороны первой версии, но внеси следующие исправления и дополнения.

1. Все математические формулы оформляй только через и . Не используй <math> и </math>. Выключные формулы оформляй двойным отступом через ::. 2. Добавь отдельный раздел «Условия идентификации» с согласованностью, отсутствием неучтённого смешения, позитивностью, отсутствием интерференции и критерием задней двери. 3. Приведи формулу back-door adjustment и формулу оценки эффекта через inverse probability weighting. Объясни, при каких предположениях они применимы. 4. Расширь раздел о методах: matching, propensity score, IPW, двойная устойчивость, double machine learning и причинные леса для CATE. 5. Добавь аккуратный раздел о causal discovery: объясни, почему направление связи нельзя автоматически восстановить из произвольных наблюдательных данных. 6. Для важных и редких терминов указывай в скобках исходный английский термин. 7. Проверь, что нет шаблонных фраз, рекламных утверждений, неподтверждённых чисел и выдуманных источников. 8. Не изобретай несуществующие вики-шаблоны и не вставляй шаблоны вида Шаблон:... в основной текст. Заголовочное предупреждение о модели, TOCright и категорию редактор добавляет отдельно. 9. Сохрани баланс: статья должна быть интересна мотивированному читателю, понятна новичку, полезна специалисту и выглядеть как текст эксперта, а не как сырой ответ LLM. 10. Верни готовую статью целиком в вики-разметке MachineLearning.ru.


Итоговый текст был дополнительно проверен перед публикацией: проверены вики-разметка формул, наличие внутренних ссылок, категория, сноски и библиография. В статье использованы работы Pearl, Hernán и Robins, Peters–Janzing–Schölkopf, Chernozhukov et al., Wager–Athey и Schölkopf et al.

Источник — «http://machinelearning.ru/wiki/index.php?title=%D0%9E%D0%B1%D1%81%D1%83%D0%B6%D0%B4%D0%B5%D0%BD%D0%B8%D0%B5:%D0%9F%D1%80%D0%B8%D1%87%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5»