ECHO：面向 AI 伤害预判的参与式偏差锚定框架

ECHO 是一个系统化、上下文敏感且参与式的框架，通过生命周期偏差锚定早期伤害预判，并收集人类参与者与大语言模型（LLM）的伤害判断，整理为描述性与推断性伦理矩阵。在疾病诊断与招聘场景中，ECHO 揭示了非均匀、上下文敏感的偏差—伤害模式，表明特定 AI 偏差可能引发哪些伤害。该框架将利益相关方的预期伤害与生命周期偏差关联，为源头伤害预判和后续 AI 治理提供结构化输入。