一項2026年4月25日提交至arXiv的新研究，由Kirk Bansak等六位作者共同完成，深入驗證了難民匹配策略在改善難民安置結果方面的穩健性。該研究聚焦於美國難民匹配計劃，利用多種離線策略評估方法，重新審視了反事實影響評估的可靠性。
此前，Bansak等人在2018年的開創性工作中首次提出，透過演算法將難民與合適的安置地點進行匹配，可以顯著提升其就業率和收入水平。然而，這些結論依賴於特定的評估方法，其穩健性一直受到學術界的關注。為了回應這些關切，本研究採用了逆機率加權（IPW）和多種增強逆機率加權（AIPW）變體，並系統地考慮了替代建模架構和不同分配程式對結果的影響。
實驗設計上，研究團隊構建了多個評估場景，涵蓋了不同的模型選擇、引數設定和政策分配規則。結果顯示，在所有場景中，影響估計值的幅度保持高度一致，且大多數情況下統計顯著。更為關鍵的是，這些估計值與Bansak等人2018年最初報告的結果高度吻合，表明難民匹配帶來的正面效益並非依賴於特定的評估框架。
該論文共計13頁，包含2張圖表和10張表格，覆蓋了機器學習、計量經濟學和應用統計學等多個領域。研究團隊強調，他們的發現為政策制定者提供了堅實的信心：即基於資料的難民匹配策略在實際應用中具有穩定的效果。
儘管結果令人鼓舞，研究也指出了一些侷限性和未來方向。例如，目前的資料僅來自美國，其普遍性仍需在其他國家或地區進行驗證。此外，未來的工作可以探索更多種類的匹配演算法和更精細的結果度量，以進一步最佳化安置效果。總體而言，這項研究為資料驅動的難民安置政策提供了強有力的實證支援，同時也展示了離線策略評估在關鍵社會政策領域中的應用價值。