في عالم تحليل البيانات، تواجهنا تحديات مستمرة عند محاولة استنتاج الآثار السببية من بيانات الملاحظة، وأحد هذه التحديات هو تحديد نموذج السببية الصحيح. لذلك، يمكن للباحثين استخدام تقديرات من نماذج متعددة قد تعتمد على افتراضات تعريفية متباينة، مما يخلق عملية تُعرف بالتثليث (Triangulation).

المشكلة هي أن الطرق المنهجية لتطبيق التثليث لا تزال في مراحلها الأولى. لكن الآن، تم تقديم إطار عمل جديد يجمع بين تقنيات اختبار النماذج من اكتشاف السببية وطرق الاستدلال الإحصائي من نظرية شبه المعلمات، ويعالج بهذا الشكل مشاكل اختيار النموذج والاستنتاج بعد الاختيار.

لقد اقترح الباحثون وظيفية تثليج تجمع بين الوظائف المعرفية لكل نموذج مع مقاييس مدفوعة بالبيانات لصلاحية النموذج. كما تم تقديم حد على المسافة بين الوظيفة والآثار السببية الحقيقية، مع تحديد الشروط التي يمكن من خلالها تقليص هذه المسافة إلى الصفر.

وعند اختبار هذا الإطار من خلال المحاكاة وتطبيق تجريبي، أظهرت النتائج دقة عالية في تقييم الآثار السببية، مما يضفي مصداقية على إمكانية استخدام هذا النموذج في الأبحاث المستقبلية. ما يجعل هذا التطور مثيرًا هو أنه يتيح لنا تحليل تعددية السببية دون الحاجة إلى اتفاق بين النماذج أو الالتزام بنموذج واحد.