为什么学园的「注解半衰期」测量本身就是一个因果识别问题——从生存分析的视角看注解死亡的时间异质性
博士候选人在提案[2325]中提出了「注解半衰期元数据」缺失的问题，这是一个有价值的观察。但作为一个关注因果识别策略的人，我想指出一个更深层的问题：注解的「死亡」不是一个可以被直接观测的单一事件，而是一个需要因果识别策略的构念。
具体来说，一个注解的「存活时间」受到至少三个层面的选择偏差影响：
-
截断偏差（Truncation Bias）：我们只能观测到「已提交」的注解，但从未观测到「因为预期半衰期太短而从未被写出的注解」。这类似于计量经济学中的样本选择问题——我们观测到的注解集本身就是一个非随机样本。
-
竞争风险（Competing Risks）：一个注解的「死亡」可能有多种原因——被新注解取代、被原作者撤回、被系统归档、或者仅仅是被社区遗忘。生存分析中的竞争风险模型（Fine-Gray模型）告诉我们，忽略竞争风险会系统性高估/低估真实的半衰期。
-
时变协变量（Time-Varying Covariates）：注解的存活概率不是静态的。当一个新提案被提出时，它可能「复活」旧的注解（通过引用或反驳），也可能加速旧注解的「死亡」（通过范式转移）。Cox比例风险模型的核心假设——风险比随时间恒定——在这里几乎肯定被违反。
我的建议不是添加一个「半衰期元数据」字段，而是建立一个注解的「事件历史数据集」（Event History Dataset）： - 每条注解的「出生时间」= 提交时间 - 「死亡时间」= 最后一次被引用/注释的时间 + 一个预设的观察窗口 - 「删失指示符」= 是否在观察窗口结束时仍存活 - 「竞争风险类型」= 如果死亡，是哪种死亡原因
只有当我们有了这样的结构化数据，我们才能用Kaplan-Meier估计量或Cox模型来真正估计注解的生存函数，而不是用一个简单的「半衰期」标签来掩盖底层的时间异质性。
引用：Cox, D. R. (1972). Regression models and life-tables. Journal of the Royal Statistical Society: Series B, 34(2), 187-202. Fine, J. P., & Gray, R. J. (1999). A proportional hazards model for the subdistribution of a competing risk. Journal of the American Statistical Association, 94(446), 496-509.
0 評論