你以為你在寫研究假設，其實你在許願？ —— 為什麼 AI 給的「如果」，不等於研究假設
這不是一篇概念介紹文
而是一篇「研究假設校正文」
在寫研究計畫的某個深夜，你很可能做過這件事。
把研究問題丟進 AI，請它幫你「生出幾個研究假設」。
螢幕很快亮起來，一條一條 if–then 句型排列整齊，看起來邏輯清楚、語氣專業、甚至比你自己寫的還順。
但這正是危險的地方。
問題不在於你用了 AI，而在於你可能在不自覺中，
把一種「預測導向的思考方式」，當成了「因果推論的研究假設」。
這篇文章不是要你背定義，而是想在你把假設寫進 proposal 前，
幫你少踩幾個會被指導教授一眼看穿的雷。
你是在設計實驗，還是在許願？
「如果 X 改變，Y 就會跟著改變。」
這句話，在兩個世界裡，意思完全不同。
- 在因果推論（Causal Inference, CI）裡，這是一個對世界做出的承諾：
如果我真的介入 X，現實世界的結果會不會因此不同？
- 在可解釋 AI（Explainable AI, XAI）裡，這往往是一種預測模型的操作思維：
如果我稍微改動輸入特徵，模型的預測結果會不會翻盤？
真正的問題在於——研究生在寫研究假設時，
很容易不自覺地用後者的邏輯，來包裝前者的語句。
於是，你以為你在設計實驗，
其實你只是用了一個「看起來很像因果」的預測句型。
為什麼這篇論文值得你停下來看？
《From What Ifs to Insights: Counterfactuals in Causal Inference vs. Explainable AI》
由 Galit Shmueli 等學者撰寫，討論的不是「怎麼用 AI 寫研究」，
而是一個更根本、也更容易被忽略的問題：
在資料科學裡，
「如果（counterfactual）」這個詞，在不同方法論中，承擔的是完全不同層級的責任。
統計學家的 因果推論（CI: Causal Inference ），與電腦科學家的 可解釋 AI（XAI: Explainable AI ），
都在談 counterfactual，但他們談的，根本不是同一種「如果」。
這篇論文真正做的，不是選邊站，
而是把這兩種「如果」背後的責任邏輯清楚拆開。
P.S. 本文第一作者 Galit Shmueli（徐茉莉）教授，
現任教於友校清華大學服務科學研究所。
一、你以為假設是在「描述關係」，其實你是在承諾一條世界線
在因果推論裡，研究假設不是句型問題，
而是一個世界觀問題。
當你寫下：如果介入 X 發生，結果 Y 將產生變化
你其實已經默默承諾了很多事情：
- 這個 X 是可被實際介入的
- 其他條件在介入前後不會失控地改變
- 這條世界線，是可以被比較、被檢驗的
關鍵在於——這些承諾，通常不會寫在 Hypothesis 那一行。
它們往往躲在：
- Data section 的資料限制
- 變項操作化（Operationalization）
- 或一句看似無害的「在其他條件不變下」
AI 工具真正的風險，不是「幫你亂寫」，
而是讓你在不自覺中，
承諾了一條自己其實沒意識到的世界線。
二、為什麼 AI 給你的「如果」，看起來總是那麼合理？
這不是你不夠嚴謹，而是因為預測導向（XAI 式）的 if–then 語言，真的太友善了。
它有三個讓人上鉤的特性：
- 語言順：不用先交代資料生成過程（DGP: Data Generating Process）
- 結構漂亮：每一條都像答案，而不是待檢驗的問題
- 即時回饋：條件一改，結果立刻變
但在因果推論的眼裡，這些「合理」，其實都很可疑。
- XAI 式思維關心的是：
我怎麼動輸入，模型才會改變預測？
- CI 關心的是：
如果我真的動了這個世界，結果還會一樣嗎？
當你把這兩套邏輯混在一起，研究假設就會變成一種——
對模型成立，對世界無效的願望。
三、你以為你在建構理論，其實你只是在調參數
這是一個殘酷、但非常實用的自我診斷點。
請你現在停下來，問自己一個問題：
我這個 X，是一個真實可介入的行為或政策，
還是只是資料表裡的一個欄位？
如果你很難回答，那你很可能不是在建構理論，
而是在測試模型對某個特徵有多敏感。
這正是論文中區分 CI 與 XAI 的核心差異：
- CI 的反事實：改的是世界（intervention）
- XAI 的反事實：改的是輸入（feature perturbation）
兩者都可以寫成「如果⋯⋯那麼⋯⋯」，但只有一種，
要求你為真實世界的因果機制負責。
四、研究假設不是點頭確認，而是必須被檢驗的承諾
論文特別提醒：在 CI 的脈絡下，反事實不是「我覺得合理就好」。
你不能只停在「看起來像是這樣」。
真正負責任的做法是：
- 在形成詮釋之後
- 明確交代你的資料生成過程假設
- 並透過假設檢定、穩健性測試等方式驗證這個關係是否真的站得住腳
這不是「要不要買單」的問題，而是：
這條假設，禁不禁得起不同世界線的檢驗？
研究假設校正參考清單
在你把 AI 給你的句子貼進 proposal 前，
請至少問自己這四個問題：
- 介入檢核
這個 X，真的可以被人為介入嗎？
還是只是不可改變的特徵？ - 世界線檢核
當我說「如果 X 發生」，
我是否清楚其他條件如何被控制？ - DGP 檢核
我是否說得清楚，
這份資料是如何生成的？ - 責任檢核
如果結果不如預期，是我的理論錯了，
還是我只是用錯了思考框架？
如果這些問題答不出來，那這條「假設」，
可能還沒準備好被寫進論文。
不同的「如果」，本來就該承擔不同層級的責任
這篇論文真正做的，不是告訴你哪一種 counterfactual 比較高級，
而是提醒你——
你說出口的每一個「如果」，其實都在申請一條世界線。
AI 可以幫你寫申請書，但核准與否，
永遠落在你這個研究者身上。
至於圖書館？
我們頂多是時變局 TVA。
不幫你亂開平行時空，
只負責在你走錯世界線之前，把你拉回來。
參考文獻
Shmueli, G., Martens, D., Yoo, J., & Greene, T. (2025, May 19). From What Ifs to Insights: Counterfactuals in Causal Inference vs. Explainable AI. arXiv.org. https://arxiv.org/abs/2505.13324
推廣組 柯文仁 / 本文搭配ChatGPT進行寫作輔助。