2026年10月24日，一篇题为《Harm Is Behavioural, Moderation Is Lexical》的学术论文在arXiv平台发布（编号2610.31047v1），系统揭示主流自动化内容安全系统在危害识别上的根本性缺陷：它们过度依赖词汇和表面形式，而非消息的实际行为意图，从而在不同语言社群与文化表达中产生严重不公。
研究通过实证测试发现多项关键偏差：自动分类器将非裔美国人英语（AAE）标记为“冒犯性”的频率最高可达其他英语变体的两倍；部分系统给知名变装皇后社交媒体账号打出的‘毒性’分数，甚至高于白人至上主义者的账号；而原本在英语中表现良好的安全策略，在低资源语言（如阿拉伯语、罗马化印地语）中几乎失效——这些语言下的系统准确率接近随机猜测水平。
论文归纳出七类失败模式，并提出可检验假说：真正具有跨语言稳定性的不是‘有害词汇’，而是有害行为本身（例如要求保密、索要钱财、试图孤立他人）。研究团队设计了一套新评估协议，在五个开源系统（含关键词词典与两类多语言守卫模型）及十一种语言上测试，结果显示：55个系统-语言组合中，51个未能达到母语者对‘有害功能’与‘无害形式’的区分准确率；模型能力越强，九种语言中的歧视现象越显著，而阿拉伯语与罗马化印地语则持续处于近似随机水平，导致语言间服务差距随技术升级反而扩大。
该研究还指出一个危险悖论：某系统对同一语言既存在严重过标记（false positives），又存在严重漏保护（false negatives）；更值得警惕的是，若仅报告误报率（false positives），最差的语言反而可能被错误呈现为‘处理最公平’——这掩盖了真实的风险分配不均。论文强调，唯有转向以行为为中心的评估范式，才能重建内容审核系统的可信度与包容性。