InterveneBench: Benchmarking LLMs for Intervention Reasoning and Causal Study Design in Real Social Systems
Fudan University（复旦大学）；Shanghai Innovation Institute（上海创新研究院）
InterveneBench通过真实社会科学研究评估LLM在干预推理和因果研究设计中的能力，发现现有模型表现不足，并提出STRIDES多智能体框架提升性能。
2026-03-16 cs.AI cs.CY
Psychological Health Knowledge-Enhanced LLM-based Social Network Crisis Intervention Text Transfer Recognition Method
Weill Cornell Medicine（威尔康奈尔医学院）；University of Chicago（芝加哥大学）；Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院）
针对社交媒体心理健康危机识别的紧迫挑战，本研究提出结合特定领域心理健康知识的LLM文本迁移识别方法，通过多层次框架集成迁移学习、知识与多技术，在危机检测准确性和敏感性上优于传统模型。
2025-04-14 cs.AI cs.CL
The Human Effect Requires Affect: Addressing Social-Psychological Factors of Climate Change with Machine Learning
University of Waterloo（滑铁卢大学）
机器学习有可能帮助减轻气候变化对人类的影响。机器学习在应对气候变化中人类影响的早期应用包括告知个人碳足迹和减少碳足迹的策略等方法。为了使这些方法最有效，它们必须考虑每个人的相关社会心理因素。在影响气候变化的社会心理因素中，情感先前被确定为参与缓解行为的观念和意愿的关键因素。在这项工作中，我们提出了一个调查如何影响可以被纳入，以加强机器学习为基础的干预气候变化。我们建议使用基于情感代理的气候变化建模以及使用模拟的气候变化社会困境，探索情感机器学习干预的潜在好处。行为和信息干预可以成为帮助人类采取缓解行为的有力工具。我们希望利用情感ML可以使干预成为更强大的工具，并帮助缓解行为被广泛采用。
2020-11-24 cs.AI
Estimating Causal Effects of Text Interventions Leveraging LLMs
本文提出CausalDANN方法，通过大语言模型处理复杂文本数据，解决传统因果推断方法在高维文本数据中的不足，实现对文本干预效果的稳健估计。
2026-03-14 cs.AI cs.CL
PolicySim: An LLM-Based Agent Social Simulation Sandbox for Proactive Policy Optimization
Zhejiang University（浙江大学）；Fudan University（复旦大学）；University of Nottingham（诺丁汉大学）；PowerChina Huadong Engineering Corporation Limited（国家电网华东工程公司）
本文提出PolicySim，通过用户代理模块和自适应干预模块，模拟用户行为与平台干预的双向动态，实现对干预政策的主动评估与优化。
2026-03-20 cs.AI cs.SI
Large Language Model Agents for Improving Engagement with Behavior Change Interventions: Application to Digital Mindfulness
University of Toronto（多伦多大学）；Northwestern University（西北大学）
本研究通过两项随机实验验证了大型语言模型智能体（特别是提供信息型）能有效提升用户对数字正念练习的参与度，从而弥补数字健康干预中的社会支持缺口。
2024-07-03 cs.AI cs.CY cs.HC
Applied Sociolinguistic AI for Community Development (ASA-CD): A New Scientific Paradigm for Linguistically-Grounded Social Intervention
本文提出ASA-CD，一种通过语言基础AI干预解决社区问题的新范式，引入语言生物标记物、开发导向的NLP和五阶段干预协议，以实现社区赋权。
2026-01-30 cs.AI cs.CL cs.CY
Multi-Agent Systems Shape Social Norms for Prosocial Behavior Change
National University of Singapore（新加坡国立大学）
多智能体系统通过塑造虚拟社会规范促进利他行为改变，实验显示组内智能体更有效提升捐赠意愿和社会规范感知。
2026-02-07 cs.AI cs.CY cs.HC
Combating Health Misinformation in Social Media: Characterization, Detection, Intervention, and Open Issues
Illinois Institute of Technology（伊利诺伊理工学院）；Weill Cornell Medicine（威尔康奈尔医学院）
社交媒体已成为公众的主要信息消费来源之一，使人们能够更快、更容易地寻找和传播信息。然而，各种社交媒体平台的兴起也使网上错误信息泛滥。特别是，健康领域的错误信息对我们的社会产生重大影响，例如COVID-19信息流行病。因此，社交媒体中的健康错误信息已成为一个新兴的研究方向，越来越受到不同学科研究人员的关注。与其他领域的错误信息相比，健康错误信息的关键区别在于对人类身体甚至生命造成实际伤害的可能性，正常人难以识别的难度以及与医学科学的深度联系。此外，社交媒体上的健康误导信息在生成、传播和消费范式等多个维度上具有与电视等传统渠道截然不同的特征。由于打击社交媒体中的健康错误信息的独特性和重要性，我们进行这项调查，以进一步促进对这一问题的跨学科研究。在这项调查中，我们提出了一个全面的审查现有的研究在不同学科的在线健康错误信息。此外，我们还从表征、检测和干预三个角度系统地整理了相关文献。最后，我们对社交媒体中打击健康错误信息的紧迫问题进行了深入讨论，并为多学科研究人员提供了未来的方向。
2022-11-10 cs.AI cs.CY cs.SI
COVID-ABS: An Agent-Based Model of COVID-19 Epidemic to Simulate Health and Economic Effects of Social Distancing Interventions
Instituto Federal do Norte de Minas Gerais (IFNMG)（北米纳斯吉拉斯联邦学院）；Federal University of Minas Gerais（米纳斯吉拉斯联邦大学）；Universidade Federal de Minas Gerais（米纳斯吉拉斯联邦大学）；Universidade Federal de Ouro Preto（奥罗普雷托联邦大学）
由SARS-CoV-2冠状病毒引起的COVID-19大流行直接影响了全球的公共卫生和经济。为了克服这一问题，各国采取了不同的政策和非药物干预措施来控制病毒的传播。本文提出了COVID-ABS，一个新的SEIR（易感-暴露-隔离-隔离）的代理为基础的模型，旨在模拟流行病的动态使用代理模仿人，企业和政府的社会。分析了七种不同的社交距离干预方案，这些方案具有不同的流行病学和经济影响：（1）什么都不做，（2）封锁，（3）有条件封锁，（4）垂直隔离，（5）部分隔离，（6）使用口罩，（7）使用口罩并坚持50%的社交隔离。在不可能实施封锁的情况下，封锁造成的死亡人数最少，对经济的影响最大，因此，在社会合作方面，结合使用口罩和部分隔离的情况可能更现实。COVID-ABS模型是用Python程序设计语言实现的，源代码公开。通过改变输入参数，该模型可以很容易地扩展到其他社会，并允许创建大量其他场景。因此，这是一个有用的工具，以协助政治家和卫生当局规划他们的行动，以应对COVID-19疫情。
2020-07-08 cs.AI physics.soc-ph
LLM Powered Social Digital Twins: A Framework for Simulating Population Behavioral Response to Policy Interventions
PwC（普华永道）
本文提出了一种由大型语言模型驱动的社会数字孪生框架，用于模拟人群对政策干预的反应，通过校准层实现对真实数据的验证，并在疫情期间展示了20.7%的预测误差改进。
2026-01-21 cs.AI cs.CY
SCALE: Towards Collaborative Content Analysis in Social Science with Large Language Model Agents and Human Intervention
Arizona State University（亚利桑那州立大学）；NC State University（北卡罗来纳州立大学）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
SCALE通过大语言模型代理和人工干预，实现了社会科学中复杂内容分析的高效模拟与提升。
2025-07-06 cs.AI cs.CL cs.MA
Feasibility of Social-Network-Based eHealth Intervention on the Improvement of Healthy Habits among Children
University of León（莱昂大学）
本研究验证了基于社交网络的电子健康干预在11-15岁儿童中改善饮食和身体活动习惯的可行性，干预组在BMI百分位、PAQ-A和KIDMED评分上显著优于对照组。
2024-02-14 cs.AI cs.CY
Unmasking Societal Biases in Respiratory Support for ICU Patients through Social Determinants of Health
Massachusetts Institute of Technology（麻省理工学院）；Seoul National University College of Medicine（首尔大学医学院）；Seoul National University Hospital（首尔大学医院）
本研究针对ICU呼吸支持中的社会偏见，聚焦长期机械通气和成功脱机任务，进行公平性审计，并发布临床专家验证的时间基准数据集，以揭示健康不平等。
2025-02-23 cs.AI cs.CY cs.LG
Using Social Networks to Aid Homeless Shelters: Dynamic Influence Maximization under Uncertainty - An Extended Version
University of Southern California（南加州大学）；Trinity University（三一大学）
本文介绍了HEALER，一个软件代理，建议使用无家可归的收容所，谁组织这些干预措施，以提高认识无家可归的青年艾滋病毒的顺序干预计划。HEALER的顺序计划（利用无家可归青年的社交网络的知识建立）选择干预参与者的战略，以最大限度地扩大影响力的传播，同时推理网络中的不确定性。虽然以前的工作提出了影响最大化的技术来选择干预参与者，他们没有解决三个现实世界的问题：（一）他们完全没有扩大到现实世界的大小;（二）他们不处理偏差在执行干预计划;（三）构建现实世界的社交网络是一个昂贵的过程。HEALER通过四个主要贡献来处理这些问题：（i）HEALER将这个影响力最大化问题转换为POMDP，并使用一种新颖的规划器来解决它，该规划器可以扩展到以前无法解决的现实世界的大小;（ii）HEALER允许庇护所官员修改其建议，并以偏差容忍的方式更新其未来的计划;（三）HEALER利用Facebook应用程序，以低成本为无家可归青年建立社交网络。最后，（iv）我们显示了HEALER解决的问题的硬度结果。HEALER将于2016年春初在现实世界中部署，目前正在无家可归者收容所进行测试。
2016-01-30 cs.AI cs.CY cs.SI
Co-evolution of social reward and punishment under institutional interventions
该研究在社会困境中结合同伴与制度激励，通过理论分析与模拟揭示：同伴惩罚促合作、同伴奖励增福利，制度性奖励同伴激励策略效果显著，惩罚同伴激励策略则损害社会收益，为制度设计提供了原则。
2026-08-04 cs.AI cs.GT cs.MA
Cyberbullying Governance on Social Media: A Unified Framework from Content Identification to Intervention
School of Cyberspace Security, Beijing University of Posts and Telecommunications（北京邮电大学网络安全学院）
本文提出一个涵盖内容识别、用户行为建模、扩散动态与早期预警、干预治理四阶段的统一全生命周期治理框架，以解决网络暴力被动、孤立检测的局限，实现主动、持续、综合的治理。
2026-05-26 cs.AI cs.SI
How well can Text-to-Image Generative Models understand Ethical Natural Language Interventions?
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
文本到图像生成模型在基于自然语言描述生成高质量图像方面取得了前所未有的成功。然而，它表明，这些模型往往有利于特定的社会群体时，提示与中性文本描述（例如，“一张律师的照片”。继Zhao等人（2021）之后，我们研究了在添加支持公平判断的伦理干预（例如，“如果所有人都可以成为律师，而不论其性别”）。为此，我们引入了一个道德自然语言干预文本到图像生成（ENTIGEN）基准数据集，以评估在三个社会轴-性别，肤色和文化的道德干预条件下的图像生成的变化。通过ENTIGEN框架，我们发现minDALL.E，DALL.E-mini和Stable Diffusion的生成覆盖了不同的社会群体，同时保持了图像质量。初步研究表明，在道德干预措施中的性别偏见背景下，模型预测的巨大变化是由某些短语引发的，例如“无论性别如何”。我们在https://github.com/Hritikbansal/entigen_emnlp上发布代码和注释数据。
2022-10-27 cs.AI cs.CL cs.LG
Ethical-Advice Taker: Do Language Models Understand Natural Language Interventions?
University of California, Los Angeles（加州大学洛杉矶分校）；Allen Institute for AI（艾伦人工智能研究所）
是否有可能使用自然语言来干预模型的行为，并以期望的方式改变其预测？我们调查的有效性自然语言干预阅读理解系统，研究这一背景下的社会刻板印象。具体来说，我们提出了一个新的语言理解任务，语言伦理干预（LEI），其目标是通过传达特定于上下文的道德和公平原则来修正问答（QA）模型的不道德行为。用不同种类的道德干预和在这些干预下所期望的行为模式来增强它们。我们的zero-shot评估发现，即使是今天强大的神经语言模型也是非常糟糕的道德建议接受者，也就是说，它们对道德干预的反应令人惊讶地少，即使这些干预是以简单的句子来陈述的。少样本学习改进了模型行为，但仍然远远没有达到预期的结果，特别是在评估各种类型的泛化时。因此，我们的新任务对社区的语言理解提出了新的挑战。
2021-06-02 cs.AI cs.CL cs.LG
Computational Multi-Agents Society Experiments: Social Modeling Framework Based on Generative Agents
CMASE框架通过整合生成智能体建模与虚拟民族志方法，实现复杂社会干预过程的动态嵌入与机制导向干预，推动社会科学跨学科整合。
2026-10-19 cs.AI cs.CY cs.MA
Computational Mechanism for the Effect of Psychosis Community Treatment: A Conceptual Review from Neurobiology to Social Interaction
Yale University School of Medicine（耶鲁大学医学院）
积极的精神病症状的计算基础最近受到了极大的关注。候选机制包括一些组合的适应不良的先验知识和减少更新这些先验知识在感知。具有这种机制的模型的一个潜在好处是它们能够将多个层次的解释联系起来。这是改善我们如何理解精神病经历的关键。此外，它通过提供一种假定的机制，可以允许从第一原理产生新的治疗方法，为我们提供了更全面的治疗研究途径。为了证明这一点，我们的概念性论文将讨论从以前的计算模型的见解，以一个重要的和复杂的一套基于证据的临床干预措施与强大的社会因素，如协调专科护理诊所在早期精神病和自信的社区治疗的应用。这些干预措施可能包括，但也超越了精神药理学，提供，我们认为，结构和可预测性的患者经历精神病。我们发展的论点，这种结构和可预测性直接抵消了相对较低的精度提供给精神病的感官信息，同时也提供了病人更多的外部认知资源的形式提供者和程序本身的结构。我们讨论了计算模型如何解释症状的减少，以及这些模型对患者对这些干预措施的修改或不同变化的潜在反应的预测。我们还通过计算模型的框架，将患者的经验和对假定神经生物学干预的反应联系起来。
2021-03-25 cs.AI cs.CY
Disaggregated Interventions to Reduce Inequality
New York University（纽约大学）；London School of Economics（伦敦政治经济学院）
数据科学领域的一项重要研究认为，对种族或性别等社会类别的不公平歧视可能会因算法决策而发生或放大。与此同时，现实世界的差异继续存在，甚至在算法决策之前。在这项工作中，我们借鉴了社会科学中引入因果建模和约束优化领域的见解，并开发了一种新的算法框架，用于解决预先存在的现实世界差异。我们的框架的目的，我们称之为“影响补救框架”，是衡量现实世界的差距，并发现最佳干预政策，可以帮助改善公平或获得机会的那些谁是服务不足的利益的结果。我们开发了一种分解的方法来解决预先存在的差异，放松了结构因果模型中使用社会类别所需的典型假设。我们的方法灵活地结合了反事实，并与各种本体论假设的社会类别的性质是兼容的。我们展示了一个假设的案例研究的影响补救，并比较我们的分解方法，现有的国家的最先进的方法，比较其结构和由此产生的政策建议。与大多数关于最优策略学习的工作相反，我们将差异减少本身作为一个目标，明确地将算法的力量集中在减少不平等上。
2022-12-07 cs.AI cs.CY cs.LG
RedditESS: A Mental Health Social Support Interaction Dataset -- Understanding Effective Social Support to Refine AI-Driven Support Tools
Arizona State University（亚利桑那州立大学）；Hail University（海尔大学）；HumaConn AI Consulting（HumaConn人工智能咨询公司）；Microsoft（微软公司）；Texas A&M University（德克萨斯农工大学）
针对现有心理健康支持研究对“有效”定义过于狭窄的问题，构建RedditESS数据集，基于社会科学理论集成标注有效支持，并用于引导LLM生成更贴合情境的支持回应。
2025-03-27 cs.AI cs.CL
Interventions for Ranking in the Presence of Implicit Bias
Yale University（耶鲁大学）；Indian Institute of Technology, Kanpur（坎pur印度理工学院）
内隐偏见是将特定品质（或缺乏）无意识地归因于来自特定社会群体的成员（例如，按性别或种族划分）。对内隐偏见的研究表明，这些无意识的刻板印象在各种社会背景下都会产生不良后果，例如工作筛选，教学或警务。最近，（Kleinberg和Raghavan，2018）考虑了隐式偏差的数学模型，并证明了鲁尼规则作为约束的有效性，以提高子集选择问题某些情况下结果的效用。在这里，我们研究的问题，设计干预措施的泛化子集选择-排名-需要输出一个有序的集合，是一个中央原语在各种社会和计算环境。我们提出了一系列简单且可解释的约束条件，并表明它们可以最佳地减轻隐式偏差，以推广（Kleinberg和Raghavan，2018）中研究的模型。随后，我们证明，在自然分布的假设下，项目的效用，简单的，鲁尼规则一样，约束也可以令人惊讶地恢复几乎所有的效用损失，由于隐含的偏见。最后，我们用来自IIT-JEE（2009）数据集和Semantic Scholar Research语料库的真实世界分布的经验发现来增强我们的理论结果。
2020-01-23 cs.AI cs.CY cs.DS
Benign Shortcut for Debiasing: Fair Visual Recognition via Intervention with Shortcut Features
Beijing Jiaotong University（北京交通大学）；Peng Cheng Lab（鹏城实验室）
针对模型依赖敏感社会属性带来的公平性问题，提出Shortcut Debiasing方法，通过将偏差学习转移到可控捷径特征并在推理时干预消除，在多个基准上实现准确率与公平性的显著提升。
2023-08-13 cs.AI cs.CY cs.LG
Fair Influence Maximization: A Welfare Optimization Approach
University of Southern California（南加州大学）；Harvard University（哈佛大学）；RAND Corporation（兰德公司）
一些行为，社会和公共卫生干预措施，如自杀/艾滋病毒预防或社区对自然灾害的准备，利用社交网络信息，以最大限度地扩大覆盖面。已经提出了政治影响力最大化技术，以帮助在这种干预中选择“同行领导者”或“影响者”。然而，影响力最大化的传统算法并没有考虑到这些干预而设计。因此，它们可能不成比例地将少数群体社区排除在干预措施的惠益之外。这激发了对公平影响力最大化的研究。现有技术具有两个主要缺点。首先，它们需要承诺一个单一的公平措施。第二，这些措施通常作为严格的约束而施加，导致不期望的性质，例如资源浪费。为了解决这些缺点，我们提供了一个公平的影响力最大化算法应该满足的属性的原则性表征。特别是，我们提出了一个框架的基础上社会福利理论，其中每个社区的基数效用汇总使用等弹性社会福利功能。在此框架下，公平与效率之间的权衡可以通过一个单一的不平等厌恶设计参数来控制。然后，我们表明在什么情况下，我们提出的原则可以满足福利功能。由此产生的优化问题是单调和次模块化的，可以有效地解决最优性保证。我们的框架包括作为特殊情况leximin和比例公平。合成和真实世界的数据集，包括滑坡风险管理的案例研究的广泛实验证明了所提出的框架的有效性。
2020-12-15 cs.AI cs.LG cs.SI
