Badacze z arXiv opracowali zintegrowane podejście łączące duże modele językowe z Interpretive Structural Modeling do odkrywania relacji przyczynowych między zmiennymi. Tradycyjne ISM polega na powtarzanych interakcjach z ekspertami przedmiotowymi aż do osiągnięcia konsensusu - proces czasochłonny, pracochłonny i trudno skalowalny dla badań z setkami zmiennych. Nowa metoda wykorzystuje LLM jako sztucznych ekspertów, eliminując potrzebę bezpośredniego udziału człowieka.
Badacze porównali cztery podejścia do odkrywania grafów przyczynowych: pairwise, k-wise, rowwise i full graph discovery. Wyniki pokazują, że metodologia rowwise uzyskała najlepsze rezultaty z SHD (Structural Hamming Distance) na poziomie 160 i F1-score 0,77, podczas gdy metoda full graph osiągnęła SHD=135 przy F1-score=0,73. To oznacza, że algorytmy działające na całych wierszach macierzy lub pełnym grafie są skuteczniejsze w identyfikowaniu przyczynowych powiązań między zmiennymi.
Znaczenie tego badania leży w potencjale do skalowania ISM na znacznie większe problemy decyzyjne. Zamiast pracować z kilkudziesięcioma zmiennymi i angażować eksperckich konsultantów, organizacje mogą teraz wykorzystać LLM do analizy setów zawierających setki lub tysiące zmiennych. Podejście to otwiera nowe możliwości w zarządzaniu złożonymi systemami, planowaniu strategicznym i analizie polityk publicznych.