Chain-of-Ethics: Defending Against Narrative Camouflage Attacks in LLM Moral Judgment
Notice bibliographique
Résumé
The rapid integration of large language models (LLMs) and large reasoning models (LRMs) into societally impactful domains necessitates robust ethical alignment. Existing approaches to LLM moral reasoning often rely on simplified ethical dilemmas, failing to address real-world complexity. This study identifies narrative camouflage attacks (NCA)—a novel threat where malicious rewrites of ethically clear scenarios preserve factual details but manipulate accountability framing, systematically misleading LLM moral judgments. To counter such manipulation, we propose Chain-of-Ethics (CoE), a deliberative framework grounded in moral philosophies such as deontology, utilitarianism, virtue ethics, contractarianism, care ethics, and pragmatic moralism. This framework guides models to deconstruct scenarios, detect narrative biases, and synthesize context-aware judgments. Experiments on the SCRUPLES dataset demonstrate that CoE effectively improves robustness against NCA compared to direct judging, highlighting the value of structured ethical analysis in mitigating adversarial narrative manipulation. This work contributes to advancing trustworthy AI by formalizing NCA as a critical vulnerability and offering a practical defense framework for real-world moral reasoning tasks.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,022 | 0,142 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,009 |
| Communication savante | 0,006 | 0,011 |
| Science ouverte | 0,002 | 0,011 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».