Aprendizaje contrafactual
Sinónimos: Counterfactual learning
Definición ampliada
En inferencia causal, el aprendizaje contrafactual, o counterfactual learning, intenta estimar qué resultado habría seguido a una intervención distinta de la observada. Para cada persona o caso solo se observa el resultado de la opción realmente tomada; el alternativo no puede recuperarse directamente de su registro [1].
En esta acepción, los modelos usan grupos comparables y supuestos causales para aprender de datos observacionales. El nombre no garantiza que el efecto individual hipotético sea identificable.
En recomendación, búsqueda y publicidad, counterfactual learning también designa el aprendizaje de políticas a partir de interacciones registradas y las probabilidades con que se eligieron las acciones observadas [2]. Esta acepción se solapa con la evaluación fuera de política: aquella aprende una política con esos datos; la evaluación estima el rendimiento de una política objetivo sin desplegarla.
Contexto histórico
El campo combina la inferencia causal con técnicas de aprendizaje automático. En 2016, Johansson, Shalit y Sontag propusieron aprender representaciones para inferir resultados contrafactuales a partir de observaciones [1]. En otra línea, Swaminathan y Joachims formularon en 2015 el aprendizaje desde retroalimentación parcial registrada como minimización del riesgo contrafactual [2].
Importancia actual
A fecha de septiembre de 2026, estudiar alternativas sin asignarlas al azar interesa en ámbitos donde experimentar puede ser difícil. El resultado sigue dependiendo de supuestos sobre factores de confusión y solapamiento entre grupos [1].
Aplicaciones
Generales
- Comparar resultados potenciales de intervenciones en datos observacionales.
- Explorar heterogeneidad de efectos como hipótesis para estudios posteriores.
- Aprender políticas de recomendación desde interacciones registradas cuando se conocen las probabilidades de las acciones observadas.
Sanitarias
- Investigar si pacientes comparables podrían responder de modo distinto a dos tratamientos, sin atribuir a un individuo un resultado no observado.
- Priorizar preguntas para un ensayo o una validación externa; un modelo retrospectivo no reemplaza ese contraste.
Limitaciones
- La confusión no medida puede invertir la asociación estimada.
- Si ciertos perfiles solo reciben una de las opciones, faltan datos para comparar alternativas en ese grupo.
- Una representación predictiva no convierte por sí sola una diferencia observacional en efecto causal [1].
- Al aprender políticas de registros, la falta de cobertura o de propensiones fiables impide comparar acciones no observadas [2].
Ejemplos
Un hospital podría comparar retrospectivamente dos estrategias en pacientes con características parecidas. La diferencia estimada sería una hipótesis condicionada a los datos y supuestos; no revelaría qué habría pasado de hecho con el tratamiento alternativo para un paciente concreto.