Redefining Centrality Measures in Weighted Causal Graphs

Abstract

Los grafos causales constituyen herramientas eficaces para estructurar información y analizar en qué medida un efecto observado puede atribuirse a una causa determinada. Este trabajo muestra cómo los grafos causales ponderados pueden emplearse para cuantificar si una afirmación actúa como causa directa o indirecta. Se presentan métodos para identificar la ruta causal con mayor intensidad total entre dos conceptos y para determinar, en un contexto dado, el par de conceptos con la conexión causal más fuerte. Además, se proponen nuevas medidas de centralidad que incorporan puntuaciones de causalidad y pesos de los grafos, permitiendo clasificar los enunciados según su relevancia causal. El enfoque también contempla pesos negativos para modelar efectos opuestos y desarrolla un algoritmo que sistematiza el cálculo de dichas medidas.

Causal graphs are powerful instruments for structuring information and analyzing the extent to which an observed effect can be attributed to a given cause. In this work, we demonstrate how edge-weighted causal graphs can be used to quantify whether a sentence acts as a direct or indirect cause. We introduce methods to identify the causal path with the highest total strength between two concepts and, given a specific context, to determine the pair of concepts with the strongest causal connection. In addition, we propose centrality measures that incorporate causality scores and graph weights, enabling the ranking of sentences by causal importance and identifying the most relevant ones.