NLP 隐私风险识别在社交媒体中的调查 (NLP-PRISM)
计算与语言
2026-02-19 v1 人工智能
密码学与安全
计算机与社会
人机交互
摘要
自然语言处理 (NLP) 是社交媒体分析的关键组成部分，但常常处理包含可识别个人信息 (PII)、行为线索和元数据的内容，导致监控、轮廓化和定向广告等隐私风险。为系统性评估这些风险，本文回顾了 203 篇同行评审论文，并提出 NLP 隐私风险识别在社交媒体 (NLP Privacy Risk Identification in Social Media, NLP-PRISM) 框架，该框架在六个维度上评估漏洞：数据收集、预处理、可见性、公平性、计算风险和合规性。我们的分析显示，变换模型在 F1 分数范围内表现良好（0.58-0.84），但在隐私保留微调下性能下降 1% - 23%。使用 NLP-PRISM，我们检查了六项 NLP 任务的隐私覆盖情况：情感分析 (16 项)、情绪检测 (14 项)、冠犯语言识别 (19 项)、混合语言处理 (39 项)、母语识别 (29 项)和方言检测 (24 项)，揭示了隐私研究在这些任务中的显著缺口。我们进一步发现模型效用在降低 2% - 9%，MIA AUC (成员推断攻击) 为 0.81，AIA 准确率为 0.75（属性推断攻击）。最后，我们呼吁加强匿名化、隐私感知学习和公平性驱动的训练，以在社交媒体语境下实现伦理 NLP。
引用
@article{arxiv.2602.15866,
title = {NLP Privacy Risk Identification in Social Media (NLP-PRISM): A Survey},
author = {Dhiman Goswami and Jai Kruthunz Naveen Kumar and Sanchari Das},
journal= {arXiv preprint arXiv:2602.15866},
year = {2026}
}