通过代理假设与实验加速社会科学研究

数据驱动的社会科学研究本质上是缓慢的，依赖于观察、假设生成和实验验证的迭代循环。尽管近期的数据驱动方法有望加速这一过程，但它们在支持端到端科学发现方面仍存在不足。为弥补这一缺陷，我们引入了EXPERIGEN，一个基于贝叶斯优化启发的两阶段搜索代理框架，其中生成器提出候选假设，实验者对其进行实证评估。在多个领域中，EXPERIGEN一致发现了比先前方法多2-4倍的具有统计显著性的假设，且预测能力提高了7-17%。该框架自然扩展至复杂数据环境，包括多模态和关系型数据集。此外，假设必须新颖、实证基础扎实且可操作，以推动真正的科学进步。我们通过专家评审对机器生成的假设进行评估，收集高级教职员工的反馈。在审查的25个假设中，88%被评定为中度或高度新颖，70%被认为具有影响力并值得进一步研究，大多数表现出与研究生水平研究相当的严谨性。最后，我们进行了首个LLM生成假设的A/B测试，观察到具有统计显著性的结果（p < 1e-6）和344%的大效应量。