给一个农户上保险课，结果可能不只取决于他听了什么：邻居学到的知识、态度和行动，也可能顺着关系网影响他。传统因果分析常把每个人当成互不影响的孤岛，因此很难说清效果究竟直接来自课程，还是经由知识与邻居传递。
Wu 与 Xiao 提出一套面向单个大型网络的因果中介分析框架。中介分析，就是把总效果拆成直接作用和经某个中间机制传递的间接作用。作者把本人接受的处理、本人身上的中介变量，与网络中的溢出效应分别定义；再用图神经网络（GNN——让每个节点汇总邻居信息的模型）从节点特征和连接关系中学习复杂的网络混杂，而不预先把邻居影响压成几个手工平均数。
论文重分析了中国农村农业保险实验。作者称，强化课程显著提高参保率，保险知识是一个实质性的传递渠道；但以“预计他人参保率”或主观灾害概率作为中介时，自然间接效应接近于零。这个结果的价值在于：它不只问干预有没有用，还追问作用究竟由谁、沿哪条路径传过去。不过，GNN只是处理复杂网络信息的工具，因果解释仍依赖论文提出的强化条件。