ContextLens：用于法律合规性建模的不完美隐私与安全上下文
计算与语言
2026-04-15 v1
摘要
个体对数据隐私和人工智能安全的关注高度依赖具体情境，且超出敏感模式之外。解决此类问题需要对情境进行推理，以识别和缓解潜在风险。尽管研究者广泛探索将大型语言模型（LLM）作为情境化安全与隐私评估工具，但这些做法通常假设完全清晰的情境可用，而现实中的情境往往模糊且不完整。本文提出ContextLens，一种半基于规则的框架，利用LLM将输入情境锚定于法律领域，并明确识别已知与未知因素以实现法律合规。不同于直接评估安全结果，ContextLens指示LLM回答一组涵盖适用性、一般原则和详细规定的问题，以评估特定优先事项和规则的合规性。我们在覆盖通用数据保护法规（GDPR）和欧盟人工智能法案的现有合规基准上进行了大规模实验。结果表明，ContextLens显著提升了LLM的合规评估能力，并在无需训练的情况下超越了现有基线方法。此外，ContextLens还能进一步识别模糊和缺失的因素。
引用
@article{arxiv.2604.12308,
title = {ContextLens: Modeling Imperfect Privacy and Safety Context for Legal Compliance},
author = {Haoran Li and Yulin Chen and Huihao Jing and Wenbin Hu and Tsz Ho Li and Chanhou Lou and Hong Ting Tsang and Sirui Han and Yangqiu Song},
journal= {arXiv preprint arXiv:2604.12308},
year = {2026}
}
备注
Accepted by ACL 26