衡量风险而非伤害：检测 LLM 对话中的心理伤害风险因素

论文提出在 AI 回复层面检测可观察的心理伤害风险行为，并聚合信号用于纵向监测。作者操作化八类行为，构建含 47,062 条 AI 回复、373,873 个回复-因素标签的合成多标签语料，辅以定向人工标注验证；比较基于嵌入的分类器、LLM 直接评判及分类器-评判级联三种方案。所有检测器与模型无关，仅依赖 LLM 输出，无需访问内部状态，并应用于既有研究中的分布外人类-AI 对话数据。

AI推荐理由 提出以“风险因素”而非直接“伤害”来监测 LLM 对话中的心理风险，并构建 47,062 条 AI 回复、373,873 个标签的合成多标签语料及人工标注验证；比较嵌入分类器、LLM 直接评判与级联方案，且检测器仅依赖模型输出、无需内部状态。新意在于可操作化八类风险行为并支持纵向监测，局限是合成语料与摘要未给出完整评测数值，实际部署效果仍需验证。