Johns Hopkins University（约翰斯·霍普金斯大学）

Bounding the Causal Impact of ML-assisted Decision-Making via Counterfactual Correctness

通过反事实正确性界定机器学习辅助决策的因果影响

Jonathan Zhang, Erik Skalnes, Jacob Chen, Michael Oberst

机构 * Johns Hopkins University（约翰·霍普金斯大学） 纠错

AI总结 研究如何评估机器学习辅助决策对下游结果的因果影响，提出利用先前RCT数据构建新模型因果效应界限的部分识别方法，通过两个单调性假设，经模拟研究表明该方法能产生更具信息量的界限。

Comments 45 pages. In proceedings of the 42nd Conference on Uncertainty in Artificial Intelligence

Cross-Model LLM Code Review: Should you use Claude to review Codex or vice versa?

跨模型大语言模型代码审查：应该用Claude审查Codex还是相反？

Zuodong Xiang, Yike Zhang, YueMing Zhang, Hailu Xu

机构 * University of California, Davis（加州大学戴维斯分校） ； Johns Hopkins University（约翰霍普金斯大学） ； California State University, Long Beach（长滩加州州立大学） 纠错

AI总结 研究开发者同时使用Claude和Codex进行代码审查的成本、时间及配对顺序问题，通过对116个任务的六种条件实验发现，Claude审查Codex草稿效果好，反向则不佳，有用的配对是不对称的，应Claude审查Codex。

Comments This paper had been accepted by Agentic SE @ KDD'26