🧒 初中生也能看懂的版本
① 研究背景（为什么要做？）
你有没有在社交平台上看过这样的通知：「你的内容因违反社区规则已被移除」？你大概不知道为什么，也不知道这条规则是谁定的。欧盟的《数字服务法》（DSA）正是冲着这种不信任来的：第 17 条要求平台在限制用户内容时给出一份「理由说明」；第 24 条第五款更进一步，要求平台把每一次删帖、限流、封号的决定，连同理由说明一起，交给一个公开的数据库。从 2024 年 2 月起，这个叫 DSA 透明数据库的仓库，已经攒下了全欧洲指定平台的审核记录。
可问题出在填报时的一个小格子上：每份说明都必须从十七个固定类别里挑一个，比如「保护未成年人」「不安全产品」「动物福利」。被删的内容本身因为隐私不能公开，于是这个类别标签几乎成了外界唯一能看到的线索。现实却很尴尬——超过 99.8% 的上报都选了同一个兜底选项：「违反了平台自己的条款」。一个本该回答「为什么删」的数据库，就这样变成了一本只写「违规」两个字的登记簿。
② 研究问题（要回答什么？）
所以这篇文章想问两件事。第一，这十七个类别，究竟能不能准确描述平台在用户条款里真正写下的那些规则？换句话说，如果条款说「卖家必须完成身份验证」，或者「账号不得转让给他人」，数据库里有哪个格子接得住这句话？
第二，这套类别对所有平台一视同仁——社交网络、电商、搜索引擎、百科全书、成人网站，全都用同一张表。可它们的业务差别那么大，这张表套上去，效果真的一样吗？
作者特别提醒：他们看的是「规则怎么被分类」，不是「规则怎么被执行」。这就像检查图书馆的分类标签合不合理，而不是检查管理员有没有认真贴标签。标签一旦分错，后面所有的统计、审计和跨平台比较都会跟着错。如果答案是「不能」，那数据库里每一条记录的分量都要重新估算。
③ 研究方法（怎么做的？）
作者的做法可以拆成四步。
第一步，收集材料。欧盟自己维护着一个平台条款数据库，作者从里面取出 31 家被 DSA 点名为「超大型在线平台」或「超大型搜索引擎」的服务，时间点是 2026 年 7 月，共 480 份文件。这 31 家不是随手挑的，而是 DSA 点名、必须履行最严透明度义务的那一批；去掉非英文和纯程序性的文件后，剩下 447 份。这 31 家被分成六组：Meta 家族 5 家、社交媒体 6 家、电商 6 家、搜索与通用科技 8 家、成人平台 4 家，以及「其他」——Booking.com 和维基百科。
第二步，切块。条款文件又长又绕，作者按标题层层切开，保证每一块只属于一个政策小节，再按段落拼到最多 8000 个字符，免得 AI 读到一半忘了上文。
第三步，让 AI 对号入座。用 GPT-4.1 做「少样本」分类：在提示词里放 20 个真实条款的例子，让它判断每一块文字对应十七个类别中的哪些，而且必须引用原文作为证据，不能空口断言「这条算诈骗」。全程不训练、不调参数。最后一共得到 6225 次「段落—类别」的归类。
第四步，抽查。作者抽了 75 块让其中一位作者人工标注，再和 AI 的结果对比。因为只有一个人标，没法算「两个人意见有多一致」，所以这只是一次体检，不是金标准。
④ 结果（发现了什么？）
结论有点出人意料。先看分类表本身：那个「其他违规」兜底项下面列的细目，居然包括成人性内容、裸露、年龄限制、禁止销售的商品——这些本来另有专门类别（保护未成年人、不安全产品、网络暴力）在管。也就是说，兜底项在规则文本上就和正式类别抢地盘；而且任何一条实质禁令，本身也同时是「违反条款」，平台选哪个都不算错。
再看 AI 的归类：6225 次里有 1330 次落在兜底项，占 21.4%，而且它是唯一在全部 31 家平台上都出现的类别；它还经常和别的类别一起被选中，比如和「诈骗」共现 352 次、和「知识产权」313 次。真正的兜底项应该只在无类可归时才用，这种表现说明它实际上成了一个「万能选项」。
不同服务类型的差异也很大：不安全产品占电商归类的 20.5%，在成人平台只有 0.4%；公民话语与选举在 Meta 家族占 15.6%，在成人平台、Booking.com 和维基百科则一次都没有。最极端的是维基百科：九份文件，只命中两个正式类别；而它没命中的「未成年人」「暴力」「诈骗」，在另外十八家以上平台都出现过——这说明不是 AI 没认出来，而是这些类别真的和百科全书的规则无关。
还有一个细节：一个平台平均能覆盖十四个正式类别中的十二个，看上去很齐全，但其中有多少是硬凑的，AI 的过度归类提醒我们别太乐观。
⑤ 讨论（这些发现说明什么？）
那这是不是说明平台在偷懒？作者说，恐怕不全是。
他们提出了一个很关键的对照：一个 AI 分类器既不用担心合规，也不怕被起诉，手里拿着同样的十七个选项和同样的文件，结果它最常选的也是那个兜底项。这说明问题可能出在表格设计上。
DSA 的十七个类别里，十四个都在讲「危害」——仇恨、暴力、诈骗、不安全产品。可平台条款管的东西远不止危害：卖家要不要验资、广告能不能这么投、账号能不能转让、开发者怎么接接口、会员费怎么退。这些商业性、程序性的规则，表格里根本没有对应的格子，平台只能往兜底项里塞。换句话说，平台不是在回答「你违反了哪条规则」，而是在回答「你能把这件事故进十七个抽屉里的哪一个」。
再加上「更细的说明」这两个字段是可选的，不填也没人罚；而一旦填错，反而可能被抓住把柄。对一个怕被监管的平台来说，选最模糊、最不会出错的那一项，其实是最理性的做法。
当然，作者也承认：他们的设计只能比较两层文本，没法证明平台真实的动机，也没法排除「AI 自己就爱选兜底」这种可能。
⑥ 结论（最终结论 + 启示）
所以作者对开头两个问题都给了否定回答，只是证据强度不同：分类表自身的重叠是白纸黑字的，谁也赖不掉；AI 归类的结果则只能算「提示性」的，因为人工核对的一致性并不高。
他们的建议不是「把现有表格执行得更严」，而是「换一张问得更对的表」：第一，增加一个必填的「规则种类」字段，先问这条规则是防危害、管交易、走程序，还是限资格；第二，在保留共同核心的前提下，允许按服务类型增加专门类别；第三，把现在可选的细化字段改成必填；第四，把互相重叠的子类说明重新写清楚。
道理很朴素：如果想让平台说清楚它删了什么，就得先问它自己的条款答得上来的问题。否则再多的透明度义务，也只会收获更多写着「违规」两个字的表格。
🎓 专业 IRMaD 结构解读
I. Introduction（引言）
《数字服务法》（DSA）第 17 条要求托管服务提供者向内容被限制的用户出具理由说明（Statement of Reasons, SoR），第 24(5) 条进一步要求在线平台把每一份 SoR 提交至公开的 DSA 透明数据库（DSA-TDB）。自 2024 年 2 月起，该库持续累积全部指定服务的审核动作。提交遵循一套 35 个属性的固定 schema，其中最具后果的是必填的 high-level category：十七个取值，十四类指向具体危害或违法内容，三类为残余项（catch-all）。由于被审核内容因隐私原因不公开，这一标签几乎是用户、监管者与研究者唯一可用的信号。更棘手的是，Art. 17(4) 所定的标准纯属评价性——「在给定情形下尽可能精确具体」——既无基准也无解释指引，细化程度实际上被下放给了被规制者。
既有实证文献的共识是「形式合规、实质不透明」：可选细化属性几乎无人使用（Trujillo et al., 2025）；自由文本说明高度模板化甚至机器生成（Kaushal et al., 2024）；近半数平台除必填标签外不提供任何有效信息（Groesch et al., 2026）；统一模板落地后平台程序依旧分化（Trujillo et al., 2026）。但这些研究检验的是「决定」与「报告」，尚未检验决定被归入的那套类别本身。Kaushal et al. 估计逾 99.8% 的 SoR 援引平台自身条款而非法律条文，这使 DSA-TDB 实质上成为契约执行的记录；「类别能否描述契约规则」由此成为一个关于条款与条件（T&C）的问题。本文贡献有三：首次在 31 家指定服务上系统映射分类法与契约文本；给出分类法无法干净区分契约文本的证据（其中 schema 层面的重叠不依赖任何分类器）；主张按服务类型分化 schema 并增设必填属性。本文分析的是规则的表征，而非审核行为。
I. Theoretical Framework & Hypotheses（理论框架与假设）
本文不是假设检验型设计，而是以「监管表征」为核心概念的描述性—溯因研究：分类法被视为一种制度性知识基础设施，其类别边界应当与被规制对象（契约规则）的本体结构相称。作者据此提出四条可检验命题，并明确证据层级——P1 仅依赖已发布 schema，P3/P4 依赖单一分类器，故结论按证据强度加权。这一安排回应了法律本体论的传统关切：schema 的粒度、一般类与具体类之间的关系，本身就是可分析对象；而 DSA-TDB 是一张「危害」的扁平清单，却被套用于并非全部以危害为基础的规则。
| 编号 | 命题 | 证据来源 | 判据 |
|---|---|---|---|
| P1 | 子类规范与实质类别重叠，兜底项与实质类别争夺同一文本 | 已发布 schema（不依赖分类器与标注者） | 残余项细目重复「保护未成年人」「不安全产品」「网络暴力」的规范；任一实质禁止同时构成条款违反 |
| P2 | 以危害为轴的分类法与 Art. 3(u) 的条款范围不匹配 | schema 文本 + 归类分布 | 商业、程序、资格类规则无对应取值；兜底项跨全部服务类型普遍出现 |
| P3 | 类别适用性随服务类型系统性分化 | 分类器输出（描述性） | 各类型实质归类份额的极值对比 |
| P4 | 兜底上报部分源于 schema 设计，而非仅平台策略 | 无合规负担的分类器作反事实对照 | 分类器在同等选项下同样最偏好兜底项 |
该框架的解释力在于把「平台为何总选兜底」从委托—代理式的合规激励问题，转换为制度设计与被规制对象之间的本体错配问题；其代价是无法识别行为层面，故 P4 只能以「plausibly in part」表述。
M. Materials & Methods（材料与方法）
- 语料：欧盟委员会 DSA 条款与条件数据库（T&C Database），2026 年 7 月快照，检出 480 份文件；仅保留英文（验证集为英文）并剔除纯程序性文件，得 447 份，覆盖 31 家 VLOP/VLOSE。
- 服务类型：Meta 家族 5、社交媒体 6、电商 6、搜索与通用科技 8、成人平台 4、其他 2（Booking.com、Wikipedia）。文档数高度不平衡（TikTok Shop 47 份 vs Meta AI 1 份），故不做平台间总量比较。
- 切块：Markdown 按标题层级切分，每块只属一个政策小节并携带
section_path元数据；正文再按段落边界贪心累积至 8,000 字符上限。 - 分类器：
gpt-4.1少样本分类。提示词附十七类的官方子类规范与 20 条真实条款示例；对每块逐一比对全部十七类，输出 match type（explicit_match/no_match）、置信度、逐字证据引文与理由摘要。证据引文的作用是强制模型把判断锚定在源文本上；无跨平台标注资源可用（最接近者仅覆盖单一平台 100 条声明），故不采用监督训练。 - 判定规则：仅声明「平台遵守某法」、抽象描述审核、或说明如何举报的文本，除非点名禁止行为或受限内容，一律记
no_match。共产出 6,225 条块级类别指派，来自单一模型与单一提示词配置。 - 验证设计：75 块分层样本（60 块至少一个预测类别、15 块无），按分类器自身输出分层——若随机抽样，块×类别正例率不足 4%，precision 无从估计；若只抽预测正例，recall 又不可测。标注者为第一作者，无正式法律训练，对模型标签盲但对研究框架知情。单一标注者无法计算标注者间一致性（κ 不可得），故定位为单读者 sanity check，非金标准。评分单位为块×类别，14 个实质类别共 1,050 个二元预测；正例仅 3.8%，故报告 precision/recall/F1 而非 accuracy。
R. Results（结果）
- 一致性：块层面 recall 1.00、precision 0.617；37 块双方同为正、15 块同为负、23 块分类器判正而标注者判无，标注者未发现任何被分类器漏掉的类别（但仅基于 15 个负块，证据弱）。指派层面 precision 0.298、recall 0.425、F1 0.351（accuracy 0.940 因正例稀少而无信息量）。precision < recall 表明系统性过度指派，覆盖率应视为上界；误差方向大体独立，故只有当分类器在语料他处认出某类时，「缺席」才可解释。
- 类别级 precision：点名具体行为者最高——公民话语 0.75、不安全产品 0.67；残余项「其他违反平台条款」最低，0.12，独占 65 个假阳性中的 23 个。对未被证实的兜底指派，标注者多改判为另一实质类别，但这一观察同样只依赖单一标注者。
- schema 层面的重叠（最强证据）：该残余项的子类规范含成人性内容、裸露、年龄限制、禁止销售的商品/服务，分别与「保护未成年人」「不安全、不合规或禁售产品」「网络暴力」的规范重复；且任何实质禁止同时构成条款违反，提供者在两个都为真的描述之间没有选择规则。
- 共现结构：诈骗与数据保护共现 216 次、与不安全产品 201 次；知识产权与数据保护 198 次；保护未成年人与不安全产品 183 次。矩阵来自分类器，受过度指派影响，属上界而非独立确认。
- 兜底项：指派 1,330 次，占 21.4%，是唯一在 31 家平台全部出现的取值；与诈骗共现 352、知识产权 313、不安全产品 263 次。另两个残余项行为正常：未落入任何类别 31 次、未指明类型 5 次。
- 极限案例：「针对女性的网络暴力」19 次指派中 18 次同时带父类「网络暴力」；平台条款多采性别中立措辞，Stripchat 一条恰好描述该行为的条款也只能落到父类。
- 覆盖：无类别闲置；中位平台覆盖 14 个实质类别中的 12 个（上界）。覆盖与语料规模中度相关
r = 0.43；Wikipedia 九份文件仅命中 2 个实质类别，而其缺失的未成年人、暴力、诈骗在另外 18 家以上平台均有指派，故不太可能是检测失败。
| 类别 | 指派 | 类别 | 指派 |
|---|---|---|---|
| 其他违反平台条款 † | 1,330 | 暴力 | 220 |
| 知识产权 | 753 | 非法或有害言论 | 219 |
| 不安全或禁售产品 | 708 | 公共安全 | 210 |
| 诈骗与欺诈 | 587 | 网络暴力 | 185 |
| 数据保护与隐私 | 570 | 公民话语或选举 | 161 |
| 保护未成年人 | 557 | 自残 | 101 |
| 消费者信息 | 484 | 动物福利 | 85 |
| 未落入任何类别 † | 31 | 针对女性的网络暴力 | 19 |
| 类型未指明 † | 5 | — | — |
| 类别（%） | Meta | 社交 | 电商 | 搜索 | 成人 | 其他 |
|---|---|---|---|---|---|---|
| 数据保护 | 13.5 | 9.8 | 10.8 | 15.0 | 13.9 | 22.5 |
| 不安全产品 | 8.8 | 15.8 | 20.5 | 7.2 | 0.4 | 0.8 |
| 消费者信息 | 4.0 | 6.3 | 15.2 | 8.1 | 0.7 | 28.7 |
| 保护未成年人 | 13.3 | 13.4 | 7.8 | 9.8 | 25.6 | 10.9 |
| 公民话语 | 15.6 | 4.8 | 0.4 | 2.5 | 0.0 | 0.0 |
| 实质指派数 n | 377 | 1,625 | 1,806 | 641 | 281 | 129 |
a / D. Discussion & Conclusion（讨论与结论）
- 危害本体与契约本体的错配：十七类中十四类命名危害，但 Art. 3(u) 的条款涵盖卖家义务、广告形式、账号资格、变现条件与开发者接入；schema 没有任何取值可承接「卖家核验」或「账号资格」类决定。这是兜底项被用于商业与程序规则的直接原因。
- 兜底≠平台策略的全部：一个无合规负担、无诉讼风险、拿到同样选项与文件的分类器，同样最偏好兜底项；过度指派会抬高水位，但难以解释为何抬升集中在这一个类别，何况已发布规范的重叠提供了独立理由。作者据此认为兜底上报至少部分源于 schema 设计，但不排除提供者激励，且本设计无法检验行为。
- 四项修订建议：（1）增设正交的必填「规则种类」属性（危害型/商业型/程序型/资格型），使危害类别只在确有危害时适用，取值应由平台治理语言归纳得出并以法律本体工程方法验证；（2）在保留共同核心的前提下按服务类型增设取值，挂接于规则种类属性，以不牺牲跨类型可比性；（3）把
category_addition、category_specification等信息化字段由可选改为必填；（4）最低成本也最优先的是细化子类规范——面对重叠，受执法风险约束的提供者会选择更宽的兜底项。 - 权衡：分化 schema 与《实施条例》的协调化目标存在张力，但 Trujillo et al. 发现协调化后程序仍分化，说明「规范清晰、合规不足」；可计量成本是 21.4% 的信息空洞与 Wikipedia 式「十四类只中两类」，而分化共同核心的成本更接近推测性。
- 局限：只比较两层文本，不涉及执法（Wagner et al. 发现书面条款仅解释某平台下架的一小部分）；单一无法律训练标注者、κ 不可得；75 块按预测分层，recall 仅靠 15 个负块，precision 整体偏低（0.298，残余项 0.12）；单一模型与提示词；仅英文、仅 2026 年 7 月快照；映射是结构化文本相似判断，不是法律定性。
- 结论与启示：两个问题均为否定——分类法与其适用文本部分地谈论不同对象，且适用性随服务类型变化而报告义务不变。政策含义是：仅靠更严的执法难以改善报告质量，更可能奏效的是让 schema 去问平台自身条款答得上来的问题。资助：David Graus 部分受 ICAI（AI for Open Government Lab）支持。
🧠 IRMaD 思维导图
mindmap
root((DSA分类法映射条款))
I 引言
第二十四条五款强制上报
十七类中十四类讲危害
九成九九只写违反条款
既有研究只看决定不看类
本文映射规则表征
R 问题
类别能否描述条款
跨服务类型是否一致
兜底项为何被滥用
只论文本不论执法
M 方法
三十一家指定服务
六类服务四百四十七份
按标题层级切块
少样本大模型分类
六千二百二十五次归类
七十五块人工验证
R 结果
兜底项占二十一点四
三十一家全出现
与欺诈共现三百五十二
电商不安全产品二十点五
元平台公民话语十五点六
维基仅两类命中
a 讨论
危害表套商业规则
兜底或是设计产物
子类规范互相重叠
单一标注者存疑
只证表征不证执行
D 结论
答案两头皆否
增规则种类属性
按服务类型分化
可选字段改必填
细化子类规范
图：本研究的 IRMaD 思维导图。蓝色 I 引言；橙色 R 研究问题；绿色 M 方法； 橙色 R 结果；紫色 a 讨论；红色 D 结论。