تُعتبر تقديرات التأثيرات السببية من القضايا الأساسية في مجالات مثل الطب والاقتصاد والسياسة العامة، حيث تُطرح الأسئلة عن كيفية تغيير النتائج تحت تأثير تدخل معين. في هذا السياق، ابتكر الباحثون نهجًا جديدًا يتمثل في استخدام الشبكات المجهزة مسبقًا بالبيانات (Prior-data fitted networks - PFNs) لتبسيط هذه المهمة. هذه النماذج تُدرب على أعداد ضخمة من المهام السببية الاصطناعية، مما يُمكنها من قراءة بيانات جديدة وتحقيق تقديرات للتأثيرات في خطوة واحدة فقط.

لكن، الأداء الفعال لهذه النماذج يتحكم فيه الأولويات المسبقة المُعدة يدويًا، مما يُعد عنق زجاجة تقني. وهنا تأتي أهمية نماذج اللغة الكبيرة (LLMs)، التي بإمكانها إنشاء رسوم بيانية سببية ذات مصداقية لأي نطاق. يُشير الباحثون إلى أن هذه الرسوم البيانية المُنتَجة قد تكون مواد أولية مثالية لتغذية النماذج السابقة.

يتضمن الإطار الجديد الذي تم تقديمه مفهوم "اختيار الأولويات المسبقة في حلقة مغلقة"، الذي يعيد تصميم كيفية إدخال هذه الأولويات كمشكلة تحسين محددة الميزانية. تُخضع الخيارات الخاصة بالأولى بعد التدريب بأساليب غير مكلفة ويتم تقييمها بمعيار تركيبي يعتمد على تعميم النتائج في النطاقات الحقيقية.

من خلال استخدام هذا الإطار، تمكن أصحاب البحث من تحقيق تحسين قدره 2.75 ضعفًا على النطاق الأساسي للتقييم مع الحفاظ على عدم تدهور الأداء على النطاقات المراقبة الأخرى. كما أظهرت التجارب أن المكاسب تأتي من المحتوى الدلالي للرسم البياني المجرد بدلاً من تنوعه الهيكلي وحده.

هذا التقدم الهائل يضع نهاية للأساليب التقليدية، حيث يصبح اختيار الأولويات السببية عبر نماذج اللغة الكبيرة عملية محددة وقابلة للتحقق، بدلًا من المحاولة والخطأ اليدوي.