Transparenzprobleme bei der Politikevaluierung mit kausaler Maschinenlernmethodik - Verbesserung der Nutzbarkeit und Rechenschaftspflicht

Kausale Maschinenlernmethoden wie Random Forests können zwar flexible und datengetriebene Schätzungen heterogener Behandlungseffekte liefern, sind aber aufgrund ihrer Komplexität als "Black-Box-Modelle" schwer zu interpretieren. Dies stellt eine Herausforderung für die Rechenschaftspflicht und Nutzbarkeit in der Politikevaluierung dar.