arXiv 论文：内容审核按词汇判罚，非裔英语被误标率翻倍
原文标题：Harm Is Behavioural, Moderation Is Lexical: How Language and Culture Decide Whom Automated Safety Systems Protect and Whom They Silence
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文指出自动安全系统按词汇与表面形式而非行为判定有害性，导致非裔美国人英语被标为冒犯的频率最高达其他英语的两倍，低资源语言的安全能力则大幅崩塌。作者归纳七类失效模式，提出跨语言评测协议，在 11 种语言、5 个开放系统上测试，55 个系统-语言组合中 51 个未达母语者水平。
- 问题
- 自动内容审核按词汇和表面形式判罚，导致非裔英语被过度标记、低资源语言保护崩塌。
- 方法
- 归纳七类失效模式，提出跨语言评测协议，以最佳与最差语言社区差距为核心指标，并修正朴素差距与自助法区间。
- 结果
- 11种语言、5个开放系统共55个系统-语言组合中51个未达母语者水平；非裔英语被标冒犯频率最高达其他英语两倍。
- 影响
- 安全审核产品需按行为而非词汇判定，并做跨语言公平性评测，否则误伤与漏保并存。
深读 · 结论先行AI 生成展开看要点与影响 ↓
跨 11 种语言、5 个开放系统测试，55 个系统-语言组合中 51 个未达母语者区分有害功能与无害形式的水平
- •非裔美国人英语被标为冒犯的频率最高达其他英语的两倍，知名变装皇后账号可比白人至上主义者账号得分更「有毒」
- •作者归因：系统按词汇与表面形式而非「消息做了什么」判定有害，过度标记与保护不足同源
- •提出七类失效模式，并假设请求保密、索要付款、试图孤立他人等行为比表达它们的词更易跨语言迁移
- •提出跨语言评测协议，把最好与最差服务语言社区的差距作为头条结果，并指出朴素差距在均等服务下被夸大、常用 bootstrap 区间不可靠
- •测试覆盖从关键词词表到两个现有多语言 guard 模型，能力更强者在区分度上有所提升
为什么重要：内容审核的公平性缺陷已被量化为可复现的评测缺口；对依赖自动审核的平台与采购 guard 模型的团队，这意味着现有跨语言安全能力不能按英文表现外推。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。