一家平台只给部分商品试用新定价，却用顾客满意度判断效果。麻烦在于，顾客还会接触没参试的商品；只把参试商品挑出来分析，就像把一顿饭里的配菜删掉，再评价整套餐食。这里存在“干扰”——一个商品的处理会经由共享顾客，与其他商品共同影响结果。
Alexey Kurennoy 提出的 EARL，面向这种“双边实验”：在商品一侧随机处理，在顾客一侧观察结果。它不只校正顾客接触了多少处理组商品，即“曝光”，还按商品进入实验的概率，对每位顾客接触到的参试商品数量重新加权。说白了，实验覆盖更完整的顾客应提供更多信息，同时权重还要补回未参试连接代表的总体。
论文证明，在未参试单位对预期结果作加性贡献等条件下，EARL 无偏、一致且渐近正态。作者在 Amazon 商品评论和 MovieLens 等半合成模拟中报告：其估计误差最多比最强既有基线低六倍，部分设置下比 Horvitz–Thompson 式方法低一个数量级以上。不过作者也指出，在参试比例很低时，有偏的简化方法仍可能拥有更低的总误差。