该论文提出并实施了一项大规模系统性研究，旨在利用大语言模型（LLM）检测和分析学术预印本档案中的信息泄露问题。研究背景在于，科研人员在提交预印本（如arXiv、bioRxiv等）时，往往会在匿名化处理后的手稿中残留可识别身份的信息（例如姓名、所属机构、电子邮件地址、基金项目编号或致谢措辞），这些残留信息可能泄露作者身份，破坏双盲评审制度，甚至引发提前披露敏感研究内容的安全风险。传统正则表达式或规则方法难以识别语义层面的间接指认，而LLM具备语义理解和上下文推理能力，能够有效发现复杂的泄露线索。论文核心方法为：收集大规模预印本语料，使用多个LLM（如GPT系列）设计提示词，让模型判断每篇论文是否存在潜在的身份泄露，并输出泄露类型和证据片段；同时设计了一套自动验证流程，通过交叉比对公开元数据来确认泄露的真实性。实验结果表明，该方法能够检测出大量传统方法遗漏的泄露情况，量化了不同学科领域、不同时间段的泄露分布，并揭示了作者匿名化习惯中普遍存在的松懈现象。该研究的主要贡献包括：第一，首次使用LLM对预印本档案进行大规模信息泄露审计；第二，构建了可复现的检测流程和评估基准；第三，提供了针对作者、期刊和档案平台的可操作建议，以降低匿名化失败导致的隐私与学术不端风险。适合学术安全研究者、预印本平台管理人员、期刊编辑以及关注匿名化和隐私保护的安全从业者阅读。