Aprendizaje de políticas para la toma de decisiones con aprendizaje automático causal:

Aborda un enfoque de aprendizaje causal aplicado a la toma de decisiones en la financiación del desarrollo, con el objetivo de mejorar la efectividad en la asignación de ayuda para cumplir con los Objetivos de Desarrollo Sostenible (ODS) de la ONU. Se destaca la importancia de asegurar que «nadie se quede atrás», lo que requiere una distribución eficiente de la asistencia oficial al desarrollo, que ha alcanzado más de 1.5 billones de dólares en las últimas dos décadas. El aprendizaje causal, a diferencia del machine learning tradicional que se centra en la predicción, permite estimar efectos de tratamiento personalizados en contextos donde no es factible realizar ensayos controlados aleatorios, ofreciendo una herramienta para evaluar cómo las decisiones específicas impactan los resultados a nivel individual. Esto es crucial dado que la heterogeneidad en los efectos de la ayuda internacional varía significativamente entre países, dependiendo de factores como su situación económica, geográfica y otras crisis simultáneas, lo que justifica la necesidad de este enfoque en lugar de los modelos estándar de machine learning, que no pueden manejar adecuadamente el sesgo de selección de tratamientos. Finalmente, se prevé que el marco desarrollado tenga aplicaciones no solo en la financiación del desarrollo, sino también en otros sectores como la economía, el marketing y las políticas gubernamentales, proporcionando un enfoque robusto para la toma de decisiones basada en datos en escenarios con alta dimensionalidad y complejidad.