تعتبر المسائل المتعلقة بالتأثيرات السببية (Causal Effects) في البيانات التتابعية (Observational Data) من التحديات الكبيرة في عالم الأبحاث العلمية. في الكثير من الأحيان، تكون الاستفسارات السببية قابلة للتحديد جزئيًا فقط. إلى جانب ذلك، فإن التجارب التي يمكن أن تُحسن الحدود الناتجة عادة ما تكون مكلفة. لذا، ماذا لو كان بإمكاننا انتخاب مجموعة جزئية من التجارب قبل ملاحظة النتائج التجريبية تضمن تحسينًا أقصى للحدود على استفسار معين؟

تتناول دراسة جديدة هذا الموضوع، حيث تم تشكيل مشكلة اختيار التجارب المحدودة التكلفة في إطار ما يسمى بمشكلة تعزيز القوة (max-potency problem). قياس القوة المعرفية (Epistemic Potency) هنا يقصد به تقليل عرض الحدود بأسوأ سيناريو مضمون عبر تجربة معينة. وتم إثبات صعوبة هذه المشكلة حيث أنها مصنفة كونها NP-hard، وذلك عبر تقليل المشكلة إلى مشكلة حقيبة 0-1 (0-1 Knapsack Problem).

تعتمد الدراسة على الإطار البرمجي المتعدد الحدود لدورتي وآخرون (2023)، حيث تقدم إجراء عامًا لتقييم القوة المعرفية في الإعدادات المتقطعة. وللتحكم في مساحة البحث الفائقة الأسية، تم إدخال معيارين لرسم الخرائط البيانية يشتملان فقط على الرسم البياني السببي (Causal Graph) والاستفسار: قاعدة اعتراض المسارات الجديدة (Novel Path-Interception Rule) التي تستغل الهيكل الدائري لضمان صفر من القوة في الوقت الخطي، وفحص إمكانية التعرف القائم على خوارزمية ID.

تم تطبيق هذين المعيارين معًا على رسومات إردوش-ريني (Erdos-Renyi Random Graphs) و11 شبكة مرجعية من bnlearn، حيث نجحا في تقليص 50-88% من التجارب المرشحة في المتوسط دون الحاجة إلى حل أي برنامج متعدد الحدود.

لتسليط الضوء على كيفية تحقيق التجارب المثلى، تم أيضًا عرض دراسة شاملة على بيانات NHANES الملاحظة، حيث تم اختيار تجارب مثالية لتقدير تأثير النشاط البدني على مرض السكري. تُظهر هذه الابتكارات كيف يمكن تحسين الفهم العلمي للتأثيرات السببية بتكلفة أكثر كفاءة، وهو ما يمثل خطوة تقدمية جديدة في مجال الأبحاث العلمية.