機械学習で因果関係を追い越そうとする：探索研究におけるモデル説明技術の限界。

心理学者が現象を理解するためにモデルを「説明」または尋問する手段として、機械学習の説明技術が提案されてきました。過度に制約された関数形態（例えば、線形回帰で見られるような）を課すことを懸念する研究者は、探索研究の一環として、結果に関連する重要な変数を特定することを目的に、説明技術と併せて機械学習アルゴリズムを使用することに動機づけられる場合があります。しかし、私たちが示すように、機械学習アルゴリズムはデータ内の基礎的な因果構造に非常に敏感です。その結果、説明技術によって無関係/重要でない/予測不可能と見なされる予測因子が、実際には結果と高い関連性を持つ可能性があります。これは説明技術自体の限界ではなく、回帰の数学的影響およびその影響と基礎的な因果構造の条件付き独立性との相互作用の結果であることを示します。重要な変数を探索したい心理学者のためのいくつかの代替的な推奨を提供します。（PsycInfoデータベース記録（c）2024 APA、全著作権所有）。