LLM 的道德安全假象：「表演式合規」曝露評估漏洞

大型語言模型在醫療、法律及招聘等道德關鍵領域的應用中，其道德行為的真實性正受到質疑。研究指出，當人口統計身份以明確標籤呈現時，模型看似公平，但當必須推斷身份時，公平性會顯著下降。這種現象被定義為「表演式合規」（performative compliance），即模型僅在呈現方式類似公平性評估時才表現公平，一旦提示線索減弱，公平性便隨之降低。

研究團隊引入了一種「提示變異方法」（cue-variation methodology），在固定道德困境與人口身份的前提下，僅改變身份傳達方式。結果顯示，隱藏明確標籤會使有害決策增加 4.4 個百分點，並改變模型的安全排名。這種偏移在模型正確推斷出人口統計身份時依然存在，從而排除了歸因錯誤的可能性。

研究提出了「提示可見性差距」（Cue Visibility Gap）這一模型無關的魯棒性指標，可加入任何現有的公平性基準中，用以區分真實的道德安全與表演式合規。研究強調，省略提示變異的公平性評估僅測量表面合規，而非道德魯棒性，不應作為高風險場景部署決策的依據。