論文の概要: From 'What-is' to 'What-if' in Human-Factor Analysis: A Post-Occupancy Evaluation Case

• arxiv url: http://arxiv.org/abs/2512.02060v1
• Date: Fri, 28 Nov 2025 21:16:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-03 21:04:45.542633
• Title: From 'What-is' to 'What-if' in Human-Factor Analysis: A Post-Occupancy Evaluation Case
• Title（参考訳）: ヒト・ファクター分析における「What-is」から「What-if」へ:就労後評価事例
• Authors: Xia Chen, Ruiji Sun, Philipp Geyer, André Borrmann, Stefano Schiavon,
• Abstract要約: 我々は、ヒューマンファクター分析における介入問題とを明確に区別することを提唱する。 このアプローチは複雑な変数関係を解き、反実的推論を可能にする。 因果関連変数と独立変数の系統的区別は、介入優先化能力と相まって、幅広い適用性をもたらす。
• 参考スコア（独自算出の注目度）: 1.305327014930352
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Human-factor analysis typically employs correlation analysis and significance testing to identify relationships between variables. However, these descriptive ('what-is') methods, while effective for identifying associations, are often insufficient for answering causal ('what-if') questions. Their application in such contexts often overlooks confounding and colliding variables, potentially leading to bias and suboptimal or incorrect decisions. We advocate for explicitly distinguishing descriptive from interventional questions in human-factor analysis, and applying causal inference frameworks specifically to these problems to prevent methodological mismatches. This approach disentangles complex variable relationships and enables counterfactual reasoning. Using post-occupancy evaluation (POE) data from the Center for the Built Environment's (CBE) Occupant Survey as a demonstration case, we show how causal discovery reveals intervention hierarchies and directional relationships that traditional associational analysis misses. The systematic distinction between causally associated and independent variables, combined with intervention prioritization capabilities, offers broad applicability to complex human-centric systems, for example, in building science or ergonomics, where understanding intervention effects is critical for optimization and decision-making.
• Abstract（参考訳）: ヒューマンファクター分析は通常、変数間の関係を識別するために相関分析と重要度テストを用いる。 しかしながら、これらの記述的手法(「What-is」)は、関連性を特定するのに有効であるが、因果性(「What-if」)に答えるには不十分であることが多い。 そのような文脈におけるそれらの応用は、しばしば境界を逸脱し、共役する変数を見落とし、バイアスや最適でない決定や誤った決定につながる可能性がある。 我々は,人間の因子分析における介入的問題と記述的問題を明確に区別し,これらの問題に因果推論フレームワークを適用し,方法論的ミスマッチを防ぐことを提唱する。 このアプローチは複雑な変数関係を解き、反実的推論を可能にする。 CBE (Center for the Built Environment's Occupant Survey) による占領後評価(POE)データを実証事例として, 因果発見が, 従来の関係分析が見逃す介入階層や方向関係をいかに明らかにするかを示す。 因果関係変数と独立変数の系統的区別と介入優先順位付け能力は、例えば科学やエルゴノミクスの構築において、介入効果の理解が最適化と意思決定に不可欠である複雑な人間中心のシステムに幅広い適用性を提供する。

関連論文リスト

• Temporal Latent Variable Structural Causal Model for Causal Discovery under External Interferences [53.308122815325326]
  観測データに影響を与える非観測因子を表現するために潜伏変数を導入する。 具体的には、因果強度と隣接情報を捉えるために、時間変動型因果モデルを提案する。 専門家の知識が特定のシナリオにおける未知の干渉に関する情報を提供することができることを考慮し,パラメータ学習への事前知識の導入を容易にする手法を開発した。
  論文  参考訳（メタデータ） (2025-11-13T07:10:10Z)
• Unsupervised Pairwise Causal Discovery on Heterogeneous Data using Mutual Information Measures [49.1574468325115]
  因果発見(Causal Discovery)は、構成変数の統計的性質を分析することで、この問題に取り組む手法である。 教師付き学習によって得られたことに基づいて,現在の(おそらく誤解を招く)ベースライン結果に疑問を呈する。 その結果、堅牢な相互情報測定を用いて、教師なしの方法でこの問題にアプローチする。
  論文  参考訳（メタデータ） (2024-08-01T09:11:08Z)
• Causal Inference with Latent Variables: Recent Advances and Future Prospectives [43.04559575298597]
  因果推論(英: Causal inference、CI)は、興味のある変数間の固有の因果関係を推定することを目的としている。 重要な変数の観察の欠如は、CIメソッドの信頼性を著しく損なう。 これらの潜伏変数が不注意に扱われると、様々な結果が生じる。
  論文  参考訳（メタデータ） (2024-06-20T03:15:53Z)
• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• DINER: Debiasing Aspect-based Sentiment Analysis with Multi-variable Causal Inference [21.929902181609936]
  本稿では,多変量因果推論に基づく新しいフレームワークを提案する。 レビューブランチでは、バイアスはコンテキストからの間接的なコンバウンドとしてモデル化される。 アスペクトブランチでは、バイアスはラベルとの直接的な相関として記述される。
  論文  参考訳（メタデータ） (2024-03-02T10:38:31Z)
• VISPUR: Visual Aids for Identifying and Interpreting Spurious Associations in Data-Driven Decisions [8.594140167290098]
  シンプソンのパラドックス(シンプソンのパラドックス、英: paradox)は、集合とサブグループレベルの関連が互いに矛盾する現象である。 既存のツールは、人間が実際に急激な協会の落とし穴を見つけ、推論し、防ぐための洞察をほとんど提供しない。 本稿では、因果解析フレームワークと人間中心のワークフローを提供する視覚分析システムであるVISPURを提案する。
  論文  参考訳（メタデータ） (2023-07-26T18:40:07Z)
• Causal Disentangled Variational Auto-Encoder for Preference Understanding in Recommendation [50.93536377097659]
  本稿では,コメンテータシステムにおける対話データから因果不整合表現を学習するためのCaD-VAE(Causal Disentangled Variational Auto-Encoder)を提案する。 この手法は構造因果モデルを用いて、潜在因子間の因果関係を記述する因果表現を生成する。
  論文  参考訳（メタデータ） (2023-04-17T00:10:56Z)
• Using Machine Learning to Test Causal Hypotheses in Conjoint Analysis [5.064097093575691]
  本研究では,条件付きランダム化テストに基づく新しい仮説テスト手法を提案する。 我々の手法は単に因子のランダム化にのみ基づき、従って仮定は不要である。
  論文  参考訳（メタデータ） (2022-01-20T18:23:12Z)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。