使用因果模型在人机交互中进行理论化

研究背景与问题

• 问题发现:
  HCI 文献包含大量理论，但缺乏系统性用于理论化的工具。现有的理论应用方式高度复杂且多样化，使得研究者难以在前人工作基础上累积知识，同时研究者对理论的深度运用有限，且在设计与理论之间的桥接上存在困难。
• 重要性:
  理论在 HCI 中不只是解释现象，更需帮助理解因果机制和控制实践中的事件。缺乏理论化工具限制了领域内更丰富的理论发展，该问题直接影响科研和实践的深度和规范性。
• 研究动机与相关工作:
  研究受到 Karl Weick 所倡导的“理论化”（theorizing）概念启发，这种方法强调理论的生成过程，而非仅关注理论的终态。研究作者旨在通过因果模型（特别是有向无环图，DAG），提供一种方法学工具，使研究者能够明确理论假设、探究因果机制并有效地整合领域知识。

解决方案

• 提出的解决方案:
  使用图形化因果建模（Graphical Causal Modelling）作为一种有效的理论化工具，以帮助 HCI 研究者构建和分析因果关系。DAG（有向无环图）被用作核心工具，辅助进行理论建模、分析潜在混杂变量、识别干预点，并解释数据生成机制。
• 创新性:
  1. 引入DAG作为图形化工具，对HCI领域因果关系进行系统建模，使理论假设显式化。
  2. 提供逐步构建因果模型的指南，并在研究生命周期的不同阶段（文献回顾、假设提出、研究设计等）中展现该方法的适用性。
  3. 为理论化提供通用的结构化语言，弥补HCI领域中传统理论（如活动理论或行为改变理论）难以适配多样研究背景的不足。
• 实施步骤与关键技术:
  1. 构建步骤:
     • 明确因果性研究问题。
     • 列出理论概念并将其操作化为可测量变量（区分潜变量与显变量）。
     • 用箭头表示变量间的因果关系，迭代扩展和验证因果网络。
     • 记录假设并为模型提供文档化支持。
  2. 关键技术:
     • 使用统计工具（R中的dagitty或Python中的DoWhy）进行因果图分析与可视化。
     • 整合多学科知识（例如心理学、营养学等已有的因果推理工具），使所建模型既理论化又可操作。

研究成果

• 具体成果:
  1. 提供了一个全面的理论化框架，在 HCI 研究生命周期中的各阶段均可适用（如：文献综述、研究设计、操作化、干预设计等）。
  2. 演示了如何利用 DAG 明确因果假设、挖掘干预的最优位置以及识别统计模型中的变量关系。
• 与现有解决方案的优势:
  • 增强理论透明度，通过因果图阐明假设，以便未来研究者批判性评估。
  • 提供灵活和直观的模型工具，从定量分析到定性分析均可适配。
  • 支持多变量因果关系的探索，改善了传统模型可能忽略的混杂和选择偏差问题。
• 实验与评估结果:
  作者展示了 DAG 在实际案例中的应用，覆盖数据生成机制建模、干预点设计以及统计模型的合理性评估。例如，他们通过绘制不同手机使用习惯对文本输入表现的因果路径图，揭示了混杂变量可能导致的不准确解释，并提出控制变量的方法。
• 局限性与未来方向:
  1. 局限性:
     • 因果模型高度依赖额外知识的假设，无法从数据中直接验证模型结构。
     • 模型可能因过于简化而忽视系统的复杂交互。
     • 需要研究者对因果建模和理论假设有高度的科学推理能力。
  2. 未来方向:
     • 探讨如何将因果建模与其他理论体系（如批判理论、审美理论）结合。
     • 为 HCI 社区制定标准化的因果模型构建与评估准则，以推动更多一致性探索。
     • 将因果推理方法进一步集成到机器学习与复杂系统建模中，适应更大规模的实证研究需求。

总结而言，作者提出的因果建模框架为 HCI 提供了系统化理论化的实用工具，同时也促进了多学科理论在 HCI 领域的融通。