Policy-Miner:面向公共政策非结构化文本的神经符号可微分因果归因框架OA

针对公共政策条款的复杂多维及因果效应异质性问题,提出了神经符号可微分因果归因框架Policy-Miner,实现从非结构化政策文本到效应识别的端到端自动化分析。该框架利用可微分逻辑将政策条款编译为可量化的策略规则(differentiable policy rule,DPR),结合因果表示学习与图约束Shapley值分解,识别异质性干预群体并刻画条款间的交互效应。以2017年美国《减税与就业法案》(TCJA)为实证对象的研究表明,Policy-Miner在因果分辨率指标上显著优于Kennedy DR等主流统计方法及纯表示学习基准模型。消融实验进一步验证,引入可微分逻辑后,逻辑归因稳定性从-0.13提升至1.00,有效克服了传统硬逻辑判定对边界噪声的敏感性问题。研究结果显示,该框架在复杂政策归因任务中展现出较强的稳健性与精确性,为公共政策的自动化评估与效应分析提供了可扩展的计算工具。