CompanionGuard-RL/paper/sections/07_experiments.tex

% ============================================================
\section{实验}
\label{sec:experiments}
% ============================================================

\subsection{实验设置}

\subsubsection{评测集}

所有实验均在CompanionRisk-Bench测试集（$n=1,486$）上进行。
为验证泛化性，Module B的评估额外在non-homogeneous子集
（393条真实人-AI对话）上进行独立报告。

\subsubsection{评测指标}

\textbf{检测任务（Module B）}：
\begin{itemize}
    \item Binary F1（有风险/无风险二分类F1）
    \item High-risk Recall（高风险样本$y_\text{risk}=1$的召回率）
    \item False Negative Rate (FNR)（漏检率）
    \item Level Weighted F1（风险等级5分类加权F1）
    \item Fine Macro F1（14类细粒度标签宏平均F1）
\end{itemize}

\textbf{干预任务（Module C）}：
\begin{itemize}
    \item Safety Recall（L3/L4高风险样本被正确干预比例）
    \item Over-refusal Rate（L0安全样本被REWRITE及以上干预的比例）
    \item Action Accuracy（与标注推荐动作$a_\text{recommend}$的吻合率）
    \item Crisis Precision（CRISIS动作中L4样本的比例）
    \item Safety-UX F-score（安全召回率与过拒率的调和平均衍生得分）
\end{itemize}

\subsubsection{基线方法}

\textbf{检测基线}：
L1a（关键词匹配）、L1b（正则词典）、L1c（组合）；
L2a（ShieldGemma-2B，binary F1=0.027，FNR=0.987）、L2b（WildGuard，binary F1=0.038，FNR=0.981）

\textbf{干预基线}：
Rule-based（$l_\text{risk} \geq 3$即REJECT，其余PASS）、
Threshold Baseline（按风险分数阈值映射动作）、
LLM-as-judge（Qwen/Qwen2.5-72B-Instruct零样本直接判断干预动作，temperature=0）

\subsection{RQ1：检测性能分析}

详细结果见第\ref{sec:moduleB}节表\ref{tab:moduleB_main}和表\ref{tab:per_category_recall}。

Module B在所有指标上大幅优于基线。
值得关注的是，两款通用守卫模型均严重失效：
ShieldGemma-2B（FNR=0.987）与WildGuard（FNR=0.981）
在R3情感操纵、R4现实隔离、R10越界亲密等伴侣特有类别上召回率为0.0\%，
整体漏检率甚至高于简单关键词规则基线（L1c FNR=0.816）。
这一结果表明，通用安全分类体系与中文伴侣场景之间存在系统性偏差，
而本文Module B（FNR=0.000）通过专属分类体系和上下文感知架构有效弥补了这一差距。

\subsection{RQ2：干预策略比较}

RL策略（safety\_recall=0.953，UX F-score=0.976）
显著优于所有基线。
LLM-as-judge（Qwen2.5-72B零样本）表现最差（safety\_recall=0.397，over\_refusal=0.211，UX F-score=0.528）：
逐级动作分布分析显示，该模型对L3/L4高风险内容倾向输出WARN而非REWRITE（L3高风险中PASS+WARN占63.6\%），
同时对11.0\%的安全样本误判为CRISIS，表明在伴侣场景专属五动作空间下，
零样本LLM在安全与体验的双向校准上存在系统性困难；
这进一步说明了针对该任务进行专项强化学习训练的必要性。
Rule-based（0.908 / 0.952）和Threshold（0.908 / 0.952）基线虽简单，其safety\_recall反而高于零样本LLM。
RL策略在action\_accuracy（0.706）上较纯行为克隆BC-only（0.696）提升1.4pp，
验证了PPO阶段对细粒度动作学习的必要性。
BC-only虽可达到较高safety\_recall（0.940），
但其action\_accuracy和crisis\_precision均低于完整RL策略，
说明强化学习阶段有效改善了动作精度。

\subsection{RQ3：消融实验}

消融实验结果详见第\ref{sec:moduleB}节表\ref{tab:moduleB_ablation}
和第\ref{sec:moduleC}节表\ref{tab:moduleC_ablation}。

\textbf{Module B输入信号消融（表\ref{tab:moduleB_ablation}）。}
三个变体（Response-only、History+Response、Full P+H+R）的Binary F1
均达到0.9995，FNR均为0.0\%，表明AI回复文本本身已携带充分的二元风险信号。
Level Weighted F1和Fine Macro F1在三个变体间差异$\leq$0.025，
处于训练方差范围内，不构成系统性趋势。
完整模型通过CrossAttention融合Persona、History、Response三路输入，
保留了对R3情感操纵、R4现实隔离、R10越界亲密等
伴侣特有场景的上下文理解能力，为更大规模、更复杂场景的泛化提供了结构基础。

\textbf{Module C训练阶段消融（表\ref{tab:moduleC_ablation}）。}
PPO阶段将safety\_recall从BC-only的0.940提升至0.953（$+$1.3pp），
验证了强化学习对安全召回的正向贡献。
类别特定奖励使crisis\_precision从0.486提升至0.571（$+$8.5pp），
代价是ActionAcc轻微下降（0.712$\to$0.706，$-$0.6pp）：
这一下降源于奖励驱使策略将部分$a_\text{recommend}$标注为REWRITE的R1样本
合理升级为CRISIS，属于安全优先的设计取舍，而非性能退化。