Can Large Language Models Resolve Semantic Discrepancy in Self-Destructive Subcultures? Evidence from Jirai Kei

📄 arXiv: 2601.05004v1 📥 PDF

作者: Peng Wang, Xilin Tao, Siyi Yao, Jiageng Wu, Yuntao Zou, Zhuotao Tian, Libo Qin, Dagang Li

分类: cs.CL

发布日期: 2026-01-08

备注: Preprint

💡 一句话要点

提出Subcultural Alignment Solver (SAS)框架，解决LLM在亚文化自毁行为检测中的语义鸿沟问题。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大型语言模型 亚文化 自毁行为检测 语义对齐 多智能体系统

📋 核心要点

  1. 现有LLM在亚文化自毁行为检测中面临知识滞后和语义错位两大挑战，难以准确识别亚文化群体中独特的自毁行为表达。
  2. 论文提出Subcultural Alignment Solver (SAS)框架，通过自动检索和亚文化对齐，使LLM更好地理解亚文化语境。
  3. 实验结果表明，SAS框架在亚文化自毁行为检测任务中，性能优于现有先进的多智能体框架OWL，并能与微调的LLM竞争。

📝 摘要（中文）

自毁行为与复杂的心理状态相关，诊断具有挑战性。由于亚文化群体独特的表达方式，识别这些行为更加困难。大型语言模型（LLM）已应用于各个领域，一些研究人员开始探索其在检测自毁行为方面的应用。受此启发，我们研究了使用当前基于LLM的方法在亚文化中检测自毁行为。然而，这些方法面临两个主要挑战：（1）知识滞后：亚文化俚语的演变速度快于LLM的训练周期；（2）语义错位：难以掌握亚文化特有的细微表达。为了解决这些问题，我们提出了Subcultural Alignment Solver（SAS），这是一个包含自动检索和亚文化对齐的多智能体框架，显著提高了LLM在检测自毁行为方面的性能。实验结果表明，SAS优于当前先进的多智能体框架OWL，并且可以与微调的LLM相媲美。我们希望SAS能够推动亚文化背景下自毁行为检测领域的发展，并为未来的研究人员提供有价值的资源。

🔬 方法详解

问题定义：论文旨在解决大型语言模型（LLM）在检测亚文化群体中的自毁行为时遇到的语义理解问题。现有方法由于知识更新速度慢于亚文化俚语的演变，以及难以捕捉亚文化特有的细微表达，导致检测精度不高。这限制了LLM在心理健康领域的应用，尤其是在需要理解特定群体语言和文化背景的情况下。

核心思路：论文的核心思路是通过引入外部知识和对齐机制，弥合LLM与亚文化之间的语义鸿沟。具体来说，通过自动检索与亚文化相关的知识，并利用对齐策略将这些知识融入LLM的理解过程中，从而提高LLM对亚文化语境下自毁行为的识别能力。这种方法旨在使LLM能够理解亚文化群体的独特表达方式，并克服知识滞后问题。

技术框架：SAS框架是一个多智能体系统，包含以下主要模块：1) 知识检索模块：负责从外部知识库中检索与特定亚文化相关的知识。2) 亚文化对齐模块：负责将检索到的知识与LLM的内部表示进行对齐，使LLM能够理解亚文化语境。3) 自毁行为检测模块：利用对齐后的LLM进行自毁行为检测。整个流程是，首先输入文本，知识检索模块检索相关知识，然后亚文化对齐模块将知识融入LLM，最后由自毁行为检测模块输出结果。

关键创新：SAS框架的关键创新在于其亚文化对齐机制。该机制能够有效地将外部知识融入LLM的理解过程中，从而提高LLM对亚文化语境的理解能力。与现有方法相比，SAS框架能够更好地处理亚文化俚语的快速演变和语义错位问题。此外，多智能体的架构设计也使得框架具有更好的可扩展性和灵活性。

关键设计：论文中关于亚文化对齐模块的具体实现细节（例如，使用的对齐算法、损失函数、网络结构等）没有详细描述，属于未知信息。知识检索模块的具体实现方式也未详细说明。这些细节对于复现和进一步改进该方法至关重要，需要在后续研究中进一步探索。

📊 实验亮点

实验结果表明，SAS框架在亚文化自毁行为检测任务中表现出色，优于当前先进的多智能体框架OWL。更重要的是，SAS框架的性能可以与经过微调的LLM相媲美，这表明SAS框架在无需大量标注数据的情况下，也能有效提升LLM在特定领域的性能。具体的性能提升幅度在论文中没有给出明确的数值。

🎯 应用场景

该研究成果可应用于心理健康领域，帮助识别和干预亚文化群体中的自毁行为。通过更准确地理解亚文化语境下的语言表达，可以为心理咨询师和社工提供更有效的支持。此外，该技术还可以应用于社交媒体平台的内容审核，及时发现和处理潜在的自毁信息，从而降低自毁事件的发生。

📄 摘要（原文）

Self-destructive behaviors are linked to complex psychological states and can be challenging to diagnose. These behaviors may be even harder to identify within subcultural groups due to their unique expressions. As large language models (LLMs) are applied across various fields, some researchers have begun exploring their application for detecting self-destructive behaviors. Motivated by this, we investigate self-destructive behavior detection within subcultures using current LLM-based methods. However, these methods have two main challenges: (1) Knowledge Lag: Subcultural slang evolves rapidly, faster than LLMs' training cycles; and (2) Semantic Misalignment: it is challenging to grasp the specific and nuanced expressions unique to subcultures. To address these issues, we proposed Subcultural Alignment Solver (SAS), a multi-agent framework that incorporates automatic retrieval and subculture alignment, significantly enhancing the performance of LLMs in detecting self-destructive behavior. Our experimental results show that SAS outperforms the current advanced multi-agent framework OWL. Notably, it competes well with fine-tuned LLMs. We hope that SAS will advance the field of self-destructive behavior detection in subcultural contexts and serve as a valuable resource for future researchers.