因果推論における識別可能性（identifiability）は、利用可能な情報の種類と量から、対象となるクエリやパラメータがどの程度計算可能かを記述する重要な概念です。従来の因果識別では、因果グラフで表現された情報構造の下で、観測されたデータから因果効果を理論的に決定できるかどうかが問われてきました。しかし、実際のデータ分析では無限のデータや漸近的性質といった理想化された条件は存在しません。 本研究は、このような理論的・理想化された識別可能性と、計算に基づいた新しい概念の間に根本的な区別を提唱しています。提案される「計算的識別可能性」のフレームワークでは、有限の計算探索手順を通じて経験的推定量を定義することを重視します。この探索プロセスが希望する誤差許容度内で経験的に推定量を見つけることができれば、識別可能性は満たされたと判断されます。ただし、これはパラメータの事前分布などの探索仮定と、探索手順そのものに条件付けられます。 研究チームは複数の実験を通じて、本フレームワークがいかに実践的な識別問題に答えるかを実証しています。具体的には、小規模有限サンプルでの識別、曖昧なグラフィカル基準での識別、観測的・介入的データの混合、反事実データと推定量を跨いだ識別といった、従来のアプローチでは扱いにくい問題に対応できることを示しています。実装コードはGitHub上で公開されており、研究コミュニティが活用できる状態にあります。