Enabling access or automating empathy? Using chatbots to support GBV survivors in conflicts and humanitarian emergencies
Notice bibliographique
Résumé
Abstract Interest in the use of chatbots powered by large language models (LLMs) to support women and girls in conflicts and humanitarian crises, including survivors of gender-based violence (GBV), appears to be increasing. Chatbots could offer a last-resort solution for GBV survivors who are unable or unwilling to access relevant information and support in a safe and timely manner. With the right investment and guard-rails, chatbots might also help treat some symptoms related to mental health and psychosocial conditions, extending mental health and psychosocial support (MHPSS) to crisis-affected communities. However, the use of chatbots can also increase risks for individual users – for example, generating unintended harms when a chatbot hallucinates or produces errors. In this paper, we critically examine the opportunities and limitations of using LLM-powered chatbots 1 that provide direct care and support to women and girls in conflicts and humanitarian crises, with a specific focus on GBV survivors. We find some evidence in the global North to suggest that the use of chatbots may reduce self-reported feelings of loneliness for some individuals, but we find less evidence on the role and effectiveness of chatbots in crisis counselling and treating depression, post-traumatic or somatic symptomology, particularly as it relates to GBV in emergencies or other traumatic events that occur in armed conflicts and humanitarian crises. Drawing on key expert interviews as well as evidence and research from adjacent scholarship – such as feminist AI, trauma treatment, GBV, and MHPSS in conflicts and emergencies – we conclude that the potential benefits of GBV-related, AI-enabled talk therapy chatbots do not yet outweigh their risks, particularly when deployed in high-stakes scenarios and contexts such as armed conflicts and humanitarian crises.
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 | 0,006 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,002 |
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 ».