KI News: Kurz und klar.

In einer kürzlich veröffentlichten Studie auf arXiv (2601.05597v1) zeigen Forscher, dass die klassische Methode zur Schätzung des bedingten durchschnittlichen Behandlungseffekts (CATE) – die als Goldstandard gilt – für die gezielte Behandlung einer heterogenen Population viel mehr Daten erfordert, als eigentlich nötig ist. CATE benötigt typischerweise O(M/ε²) Stichproben, um die Effekte in M verschiedenen Strata mit einer Genauigkeit von ε zu bestimmen.

Randomisierte kontrollierte Studien (RCTs) sind unverzichtbar, um den klinischen Nutzen medizinischer KI-Tools nachzuweisen. Ihre hohen Kosten und langen Zeiträume hindern jedoch die schnelle Validierung neuer Modelle, die ständig weiterentwickelt werden. Eine neue Studie präsentiert BRIDGE – ein RCT-Design, das vorhandene Teilnehmerdaten aus abgeschlossenen KI-Studien wiederverwendet, wenn alte und neue Modelle ähnliche Vorhersagen liefern. Dadurch kann die benötigte Stichprobengröße für Folgeversuche drastisch reduziert werden.

In vielen KI‑Anwendungen für soziale Wirkung wird die Leistungsfähigkeit von Modellen vor allem danach beurteilt, wie gut sie ein bestimmtes Ergebnis vorhersagen können. Sobald jedoch eine Intervention – etwa ein politisches Programm oder ein medizinisches Verfahren – das Ergebnis beeinflusst, kann die klassische Bewertung verzerrt werden.