El artículo argumenta en contra del uso de modelos de lenguaje grandes para inferir estructuras causales, advirtiendo que tales enfoques corren el riesgo de confundir asociaciones textuales con evidencia causal genuina. En su lugar, propone que los agentes solo deben asistir el flujo de trabajo inspeccionando datos y explicando supuestos, mientras se mantiene que las afirmaciones causales estén fundamentadas en algoritmos formales y diagnósticos.
- Se restringe a los agentes para que no proporcionen aristas, orientaciones, priors, restricciones o conclusiones causales, con el fin de evitar que mecanismos alucinados se conviertan en evidencia.
- El principio se instancia en causal-learn+, una plataforma en línea que coordina el análisis de datos, preprocesamiento, recomendación de métodos e interpretación dentro del ecosistema causal-learn.
- Un estudio de caso sobre datos de los Cinco Grandes de la personalidad demuestra un pipeline que evita convertir la fiabilidad deficiente de modelos de lenguaje en evidencia causal.
Este enfoque asegura que el descubrimiento causal permanezca confiable al separar la coordinación del flujo de trabajo asistida por agentes del riguroso fundamento algorítmico requerido para afirmaciones causales válidas.