MinorBench: Un benchmark costruito manualmente per i rischi basati sui contenuti per i bambini
MinorBench: A hand-built benchmark for content-based risks for children
March 13, 2025
Autori: Shaun Khoo, Gabriel Chua, Rachel Shong
cs.AI
Abstract
I Modelli Linguistici di Grandi Dimensioni (LLM) stanno rapidamente entrando nella vita dei bambini - attraverso l'adozione guidata dai genitori, le scuole e le reti di pari - eppure l'attuale ricerca sull'etica e la sicurezza dell'IA non affronta adeguatamente i rischi legati ai contenuti specifici per i minori. In questo articolo, evidenziamo queste lacune con uno studio di caso reale di un chatbot basato su LLM implementato in una scuola media, rivelando come gli studenti abbiano utilizzato e talvolta abusato del sistema. Sulla base di questi risultati, proponiamo una nuova tassonomia dei rischi basati sui contenuti per i minori e introduciamo MinorBench, un benchmark open-source progettato per valutare gli LLM sulla loro capacità di rifiutare query non sicure o inappropriate da parte dei bambini. Valutiamo sei importanti LLM con diversi prompt di sistema, dimostrando una variabilità sostanziale nella loro conformità alla sicurezza per i bambini. I nostri risultati informano passi pratici per meccanismi di sicurezza più robusti e focalizzati sui bambini e sottolineano l'urgenza di adattare i sistemi di IA per proteggere i giovani utenti.
English
Large Language Models (LLMs) are rapidly entering children's lives - through
parent-driven adoption, schools, and peer networks - yet current AI ethics and
safety research do not adequately address content-related risks specific to
minors. In this paper, we highlight these gaps with a real-world case study of
an LLM-based chatbot deployed in a middle school setting, revealing how
students used and sometimes misused the system. Building on these findings, we
propose a new taxonomy of content-based risks for minors and introduce
MinorBench, an open-source benchmark designed to evaluate LLMs on their ability
to refuse unsafe or inappropriate queries from children. We evaluate six
prominent LLMs under different system prompts, demonstrating substantial
variability in their child-safety compliance. Our results inform practical
steps for more robust, child-focused safety mechanisms and underscore the
urgency of tailoring AI systems to safeguard young users.