머리말 우리가 데이터를 다루고 세상을 이해하는 방식은 근본적으로 변화하였다. 머신러닝과 딥러닝 등 인공지능의 급속한 발전은 단순히 예측(Prediction) 정확도를 높이는 데 그치지 않고, 이제 인과추론(Causal Inference)의 영역에까지 깊숙이 들어와 있다. 우리는 지금 '인과 데이터 사이언스(Causal Data Science)'의 시대로 진입하고 있다. 이는 과거와 같이 "무슨 일이 일어났는가?"를 설명하거나 "무슨 일이 일어날 것인가?"를 예측하는 것에 머물지 않는다. 인과 데이터 사이언스는 "우리가 무엇을 해야 원하는 결과를 얻을 수 있는가?"라는 질문, 즉 최적의 개입(Intervention)과 의사결정을 탐구하는 학문이다. 이러한 변화는 공공정책 분야뿐만 아니라, 기업의 마케팅 전략 최적화, 의료 분야의 맞춤형 치료 효과 분석, 플랫폼 비즈니스의 A/B 테스트 고도화 등 모든 의사결정 영역에서 동시에 일어나고 있다. 특히 주목할 만한 변화는 '증거 기반 정책(Evidence-based Policy)'이 'AI 기반 적응형 정책(AI-driven Adaptive Policy)'으로 진화하고 있다는 점이다. 전통적인 증거 기반 접근은 검증하는 데 초점을 맞추어 환경 변화에 대한 대응이 느리고 실시간 학습이 어렵다는 한계가 있었다. 반면 AI 기반 적응형 접근은 실시간 데이터 수집, 즉각적인 효과 추정, 그리고 알고리즘적 의사결정을 통해 개입 자체가 환경으로부터 학습하고 진화하는 시스템을 구현한다. 이러한 전환은 분석가의 역할 또한 근본적으로 변화시킨다. 과거의 분석가가 데이터를 정리하고 통계 모형을 적합하여 보고서를 작성하는 '기술자'였다면, 이제의 분석가는 인과적 질문을 설계하고, 알고리즘의 편향을 감지하며, 최적의 개입을 추천하는 '의사결정 과학자(Decision Scientist)'가 되어야 한다. AI는 강력한 도구이지만, 그 자체로 만능은 아니다. 우리는 의사결정 과학자로서 기술에 대해 열린 자세를 가지되, 언제나 비판적 시각을 견지해야 한다. 기술이 인간의 판단을 대체하는 것이 아니라, 인간이 더 현명하고 공정한 결정을 내릴 수 있도록 돕는 도구가 되어야 하기 때문이다. 저자는 인문사회과학과 AI·Software 기술의 경계를 넘나드는 융합적 학문을 지향한다. 이 책이 그러한 여정의 이정표이자, 새로운 항해를 시작하는 동료 연구자들을 위한 안내서가 되길 희망한다.

제1장 의사결정 과학과 AI 기반 인과 데이터 사이언스 1.1 AI 시대의 인과 데이터 사이언스 1.2 AI 기반 분석ㆍ평가 프레임워크와 기술 통합 1.3 전통적 방법론과 Causal ML의 비교 제2장 인과추론 기초와 인과 머신러닝 2.1 잠재적 결과 프레임워크(Potential Outcomes Framework) 2.2 전통적 인과추론 방법론 개요 2.3 Causal Machine Learning의 등장 2.4 Causal ML 핵심 방법론 2.5 실습: EconML 패키지 활용 2.6 Causal ML과 Predictive Analytics의 통합 제3장 성향점수매칭(PSM)에서 딥러닝 기반 성향점수매칭으로 3.1 전통적 성향점수매칭(PSM) 3.2 성향점수 추정을 위한 기계학습(Machine Learning) 3.3 심층 비모수 성향점수(Deep Nonparametric Propensity Scores) 3.4 최적화된 공변량 균형(Optimized Covariate Balance) 3.5 PyTorch 기반 딥 성향점수매칭(Deep PSM) 구현 제4장 이중차분법(DID)과 합성통제법(SCM)의 기계학습 확장 4.1 전통적 이중차분법(Difference-in-Differences) 4.2 이중 기계학습(Double Machine Learning)과 DID 확장 4.3 합성통제법(Synthetic Control Method) 4.4 합성 이중차분법(Synthetic Difference-in-Differences, SDID) 4.5 검증 방법론 4.6 종합 구현 4.7 방법론 선택 전략과 연구 전망 제5장 회귀불연속설계(RDD)와 기계학습 방법론 5.1 회귀불연속설계의 기본 원리 5.2 비모수적 추정과 대역폭 선택 5.3 퍼지 회귀불연속(Fuzzy RDD)과 도구변수 접근 5.4 기계학습과 RDD의 통합: 이중 기계학습(DML) 5.5 이질적 처치효과 추정: 조건부 평균 처치효과(CATE)와 BART 5.6 지리적 경계 회귀불연속설계(Geographic RDD) 5.7 한국 정책 평가에서의 RDD 적용과 과제 제6장 도구변수법(IV)과 DeepIV 6.1 전통적 도구변수(Instrumental Variables) 6.2 전통적 도구변수의 한계 6.3 DeepIV(Hartford et al., 2017) 6.4 DeepGMM(Bennett et al., 2019) 6.5 Deep Feature IV(DFIV, Xu et al., 2021) 6.6 Kernel IV(KIV, Singh et al., 2019) 6.7 딥러닝 도구변수 방법론 종합 비교 6.8 이질적 처치효과 추정 6.9 교육 수익률 추정 제7장 분위 회귀(Quantile Regression)와 분포적 처치효과 7.1 분위 회귀의 기초 7.2 분위 처치효과(Quantile Treatment Effects) 7.3 분포적 이중차분법(Distributional DID)과 Changes-in-Changes 7.4 분위 회귀를 위한 기계학습 방법론 7.5 종합 실습: 교육정책의 분포적 효과 분석 7.6 최신 연구 동향과 미래 방향 제8장 A/B 테스트와 적응형 실험 설계 8.1 전통적 A/B 테스트(RCT)의 한계 8.2 적응형 시험설계(Adaptive Trial Design)의 등장 8.3 반응 적응형 무작위배정(RAR)과 Multi-Armed Bandits 8.4 Bayesian Adaptive Design 8.5 디지털 헬스케어 서비스 최적화 사례 8.6 최신 연구 동향과 미래 방향 8.7 기계학습 앙상블 RAR과 하이브리드 접근 제9장 딥러닝 기반 시계열 예측과 전략적 활용 9.1 딥러닝 기초와 신경망 9.2 시계열 분석과 인과추론 9.3 순환신경망(RNN)의 구조와 한계 9.4 장단기 메모리 네트워크(LSTM)와 GRU 9.5 시계열 예측 모델링 실습 9.6 최신 연구 동향과 향후 방향 제10장 딥러닝 기반 텍스트 분석과 문서 지능 10.1 딥러닝 기반 텍스트 분석 개론 10.2 Transformer 아키텍처의 이해와 텍스트 분석 응용 10.3 한국어 특화 사전학습 모델: KoBERT, HyperCLOVA, XAONE 10.4 문서 분류, 감정 분석, 유사도 탐지 10.5 BERTopic 기반 고급 토픽 모델링 10.6 문서 분석 파이프라인 구축 실습 10.7 미래 전망과 실무 적용 가이드 제11장 그래프 신경망(GNN)과 조직 네트워크 분석 11.1 그래프 이론 기초와 네트워크 과학 11.2 네트워크 중심성 분석과 영향력 측정 11.3 커뮤니티 탐지와 전략적 제휴 분석 11.4 동적 네트워크 분석과 혁신 확산 모델링 11.5 한계와 비판적 평가 제12장 복잡계 이론과 비즈니스 시뮬레이션 12.1 복잡계 이론과 시스템의 창발성 12.2 시스템 다이내믹스와 전략 피드백 12.3 에이전트 기반 모델링(ABM) 12.4 강화학습과 의사결정 최적화 12.5 복잡계 모델링의 검증과 한계