用大语言模型分析社交媒体上的生成式AI伦理风险话语：一项系统性研究

本研究利用GPT-4.1等大语言模型（LLM）对近5万条推文进行零样本分类，结合BERTopic主题建模，揭示公众对生成式AI伦理风险的五大关切领域。研究提出创新方法论，为大规模社交媒体话语分析提供可行路径，对政策制定、企业风险管理等具有实践意义。

生成式AI（如ChatGPT）普及引发广泛讨论，其中不乏对潜在风险的担忧。理解公众关切对政策制定者、开发者等至关重要，但传统人工编码或小规模问卷难以处理海量社交媒体数据。本研究创新地结合LLM零样本分类与主题建模技术，分析近5万条ChatGPT相关推文，识别伦理风险类型。

第一阶段：LLM零样本分类

构建48398条2023年1-3月ChatGPT相关推文语料库，用GPT-4.1、GPT-3.5-turbo等4种LLM进行零样本分类，基于5类高层伦理风险（技术安全、隐私数据滥用、公平歧视、恶意滥用、社会民主风险）判断是否为风险话语。经验证，GPT-4.1表现最佳。

第二阶段：BERTopic主题建模

对GPT-4.1分类的风险话语推文，用BERTopic识别33个细粒度子主题，由两位编码员映射回五大风险类别。

研究揭示公众对生成式AI伦理风险的多维度关切，涵盖技术到社会层面的五大类别。同时区分了“风险话语”与“非风险话语”（如使用体验、技术赞美等），提升分析准确性。（注：论文仍在审稿中，结果基于公开数据集和代码推断）

1. 零样本分类可行性：LLM无需特定训练数据即可有效分类，降低大规模文本分析门槛；
2. 多模型对比验证：对比4种LLM与传统监督学习方法，提供LLM在社科任务表现的实证证据；
3. 可复现流程：公开代码、提示词、标注数据等，便于其他研究者复现；
4. 伦理合规：仅公开推文ID和标注结果，符合平台条款与学术伦理。

• 政策制定：帮助监管机构了解公众焦点，制定针对性政策；
• 企业风险管理：助力AI公司识别用户担忧，优化产品设计与沟通；
• 学术研究：为计算社会科学提供可复用的LLM辅助分析框架；
• 舆情监测：可扩展为实时系统，追踪公众风险关注点演变。

随着生成式AI发展，理解公众伦理风险认知至关重要。本研究结合LLM与主题建模的创新方法，为大规模社交媒体话语分析提供路径，揭示五大风险领域，同时为AI治理、技术伦理等领域提供数据资源与方法论参考。