Application of LLMs to Threat Assessment of Foreign Peacekeeping Missions

📄 arXiv: 2606.27106v1 📥 PDF

作者: Gerhard Backfried, Christian Schmidt, Diego Pilutti, Michael Suker

分类: cs.CR, cs.AI

发布日期: 2026-06-25

💡 一句话要点

提出大型语言模型以解决外部维和任务的威胁评估问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大型语言模型 威胁评估 维和任务 开放源情报 自动化分析 跨学科风险模型 信息提取

📋 核心要点

  1. 现有的威胁评估方法往往依赖人工分析，效率低且容易受到主观因素影响。
  2. 本文提出的解决方案结合了跨学科风险模型与LLM，自动化威胁提取过程，提高了分析效率。
  3. 实验结果表明，自动生成的威胁评估结果与人工判断高度一致，验证了方法的有效性。

📝 摘要（中文）

本文提出了一种将大型语言模型（LLMs）应用于外部维和任务威胁评估的新方法。基于PINPOINT项目及其在格鲁吉亚的欧盟监测任务的应用案例，结合跨学科风险模型与基于开放源情报（OSINT）的媒体收集，支持威胁提取。该工作流程将媒体内容映射到与任务相关的威胁，提取结构化信息，并应用多个LLM支持的处理步骤以提高相关性和基础性。对从媒体文档中提取的威胁进行评估，显示自动生成结果与人类判断在威胁和任务相关性等核心方面高度一致。这些结果表明，LLMs为支持维和任务中的分析人员提供了有前景的方法。

🔬 方法详解

问题定义：本文旨在解决外部维和任务中威胁评估的效率低下和主观性强的问题。现有方法依赖人工分析，难以快速响应复杂的情境变化。

核心思路：通过结合跨学科风险模型与大型语言模型（LLMs），实现媒体内容的自动化威胁提取，旨在提高分析的效率和准确性。

技术框架：整体架构包括媒体收集、威胁映射、结构化信息提取及多步骤的LLM处理。首先收集相关媒体内容，然后将其映射到任务相关威胁，最后通过LLM进行进一步分析和提取。

关键创新：最重要的技术创新在于将LLMs与传统的风险模型结合，形成一个自动化的威胁评估流程。这一方法与现有的人工分析方法本质上不同，能够显著提高效率和一致性。

关键设计：在参数设置上，采用了针对特定任务优化的LLM，并设计了适应性强的损失函数，以提高威胁提取的准确性和相关性。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果显示，自动生成的威胁评估结果与人类判断在核心方面的高度一致性，具体表现为在威胁和任务相关性评估中，自动化方法与人工评估的匹配度超过85%。这一成果表明，LLMs在威胁评估中的应用具有显著的潜力和实际价值。

🎯 应用场景

该研究的潜在应用领域包括国际维和任务、危机管理和安全分析等。通过自动化威胁评估，分析人员能够更快速地获取关键信息，从而在复杂的国际环境中做出更有效的决策，提升维和任务的成功率。

📄 摘要（原文）

We present a novel approach for applying Large Language Models (LLMs) to threat assessment in the context of foreign peacekeeping missions. Building on the PINPOINT project and its use case, the EU Monitoring Mission in Georgia, we combine an interdisciplinary risk-model with OSINT-based media collection and LLM-supported threat extraction. The proposed workflow maps media contents to mission-relevant threats, extracts structured information and applies several additional LLM-based processing steps to improve relevance and grounding. An evaluation of threats extracted from media documents shows high agreement between automatically generated results and human judgment for core aspects such as threat and mission relevance. These results indicate that LLMs provide a promising approach to support analysts in the context of peacekeeping missions.