يقدم الباحثون CausalDS، وهو معيار مصمم لتقييم الاستدلال السببي داخل سير عمل علوم البيانات القائمة على الوكلاء. وعلى عكس المعايير الموجودة التي تفصل بين الاستدلال الرمزي والتحليل الواقعي، يستخدم CausalDS نماذج سببية هيكلية مُعاينة مقترنة بقصص طبيعية اصطناعية مبنية على مجالات واقعية.
- يجمع كل مثيل بين مجموعة بيانات رصدية مشتقة من النموذج السببي الهيكلي وقصة سردية.
- تغطي المهام الدرجات الثلاث لـ Judea Pearl، مما يتيح تقييم الاستدلال السببي المعقد بما يتجاوز التنبؤ البسيط.
- يتطلب المعيار من النماذج استخدام أدوات متعددة ومهارات البرمجة للتعامل مع الملاحظات غير الكاملة التي يولدها نموذج الرصد.
- يعامل الامتناع عن الإجابة كنتيجة مُقيّمة من الدرجة الأولى، مما يقيم قياس عدم اليقين جنبًا إلى جنب مع الاستدلال الرمزي واستخدام الأدوات.
يُقيّم هذا النهج بشكل مشترك الاستدلال السببي الرمزي، وقدرات علوم البيانات، وقياس عدم اليقين، واستخدام الأدوات، مع تقليل خطر أن تقوم النماذج فقط بتكرار أمثلة مُختارة بعناية.