针对Discord第三方社区机器人的用户安全隐私担忧实证研究与BotLens审计框架

该论文分析了2021至2026年间23,102个第三方Discord机器人及183,142条用户评论，发现仅4.82%的评论涉及安全与隐私（S&P）问题，但特定类别如忏悔和匿名机器人中该比例超过50%。研究指出，传统的评分机制可能掩盖S&P讨论的频率与倾向，而权限数量和管理员状态等元数据特征与用户报告的S&P担忧关联微弱。

在方法论上，团队利用LLM知识蒸馏并微调DeBERTa分类器筛选出8,832条相关评论，构建了包含31个主题的S&P分类法。数据显示，数据共享（30.5%）和数据收集（16.2%）是用户最关注的两大主题。基于此，作者开发了BotLens概念验证审计框架，通过Model Context Protocol服务器暴露六个工具，支持机器人级检查、服务器间对比以及与AI智能体的集成。

事实层面，该研究证实了现有元数据指标在预测用户隐私风险上的失效，并建立了基于自然语言反馈的风险信号提取流程。推断层面，这意味着当前依赖静态权限列表或星级评价的Agent部署决策存在盲区，需引入动态的用户情感分析作为补充。猜测层面，若BotLens成为行业标准，可能会推动平台方重新设计机器人安装时的透明度协议，但这取决于生态系统的采纳意愿而非技术本身的必然性。