CausalWAM می‌کوشد علت‌های مؤثر بر کنش را از عوامل مزاحم جدا کند

مدل‌های جهانِ کنش (WAM) از مشاهدات، متغیرهای نهفته می‌آموزند تا هم تحول صحنه را پیش‌بینی کنند و هم کنش تولید کنند. اما برای پیش‌بینی، مدل باید کل صحنه را در نظر بگیرد، در حالی که تنها بخشی از صحنه علت کنش است. به گفتهٔ نویسندگان، مدلی که با نمایش‌های کنش آموزش می‌بیند لزوماً کنش را فقط بر پایهٔ متغیرهای نهفتهٔ مرتبط با آن تولید نمی‌کند؛ ممکن است این متغیرها را با عوامل نامرتبط درهم بیامیزد و همچنان کنش‌ها را تقلید کند. روش پیشنهادی CausalWAM این دو نقش را از هم جدا می‌کند. چکیدهٔ پیش‌چاپ می‌گوید نویسندگان تحت یک قید تنکی، نتیجه‌ای دربارهٔ متغیرهای نهفتهٔ به‌کاررفته برای تولید کنش اثبات می‌کنند؛ اما متن موجود جزئیات این نتیجه را بیان نمی‌کند.