LLM 分析：交叉身分放大人工智慧風險，建議將交叉性納入風險評估
研究以AI事故資料庫為基礎，運用大型語言模型和結構化量表檢視事件報告。方法是自動化標註受害主體與身分類別，並衡量交叉身分對傷害的放大效應。結果顯示年齡與政治身分在已記錄傷害中出現頻率與種族性別相當，且在特定交叉點傷害可放大至三倍，呼籲將交叉性納入AI風險評估。
速報
一項基於 AI 事故資料庫的實證分析指出，人工智慧造成的傷害常由多重身分交互放大，現有風險評估若只看單一身分，可能低估真實風險。研究利用大型語言模型配合結構化量表，系統化檢視已記錄的事故報告。
方法與資料
研究團隊用結構化判準在 AI Incident Database 中標註與分析逾5,300份報告，涵蓋約1,200起事件，從中識別出1,513名受害主體與其身分類別，標註準確率為98%。這套方法側重於把自然語言報告轉為可比較的身分標籤，並計算不同身分及其交叉出現的頻率與關聯性。
主要發現
分析顯示，年齡與政治身分在已記錄的傷害事件中出現頻率與種族、性別相當；更重要的是，多重身分交集會放大傷害，在某些交叉點上，傷害程度可被放大至約三倍。研究指出，像青少女、較低階的有色族群與特定上層政治群體，在交叉情境下呈現較高的被害風險。
結論與建議
作者主張，交叉性應成為 AI 風險評估的核心元素，只有這樣才能更準確呈現人工智慧如何在不同社會群體間生產與分配傷害，進而設計更有針對性的緩解措施。
延伸閱讀
原始來源：ArXiv AI
系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。
