代理推定：从语义嵌入到有效的社会措施

自然语言处理正在迅速发展成为计算社会科学的主要工具，研究人员越来越多地使用嵌入来衡量新颖性、创造力和偏见等潜在结构。然而，这种转变面临着根本性的有效性挑战：“代理推定”或依赖几何属性（例如余弦距离）作为社会概念的直接衡量标准。我们认为，如果没有明确的验证，无监督表示仍然是目标构造 ($C$) 和主题、风格和作者等混淆属性 ($Z$) 的纠缠混合物。为了弥合语义嵌入和有效社会测量之间的差距，我们引入了构造有效性协议（CVP）。借助因果表征学习和心理测量学，CVP 提供了从概念化到定量验证的严格流程。我们进一步提出了反事实中和，这是一种使用 LLM 来减少嵌入空间中的混杂的新方法。通过提供标准化的有效性套件（包括判别有效性、增量有效性和预测有效性的测试），这项工作为社区提供了一个工具包，将启发式代理转变为强大的、科学上可靠的工具。