“AI考官”能評判學術背后的思想重量嗎？一項大規模研究，將當前最先進的生成式AI推上了學術評判的席位。

英國劍橋大學領銜的研究團隊讓Claude、ChatGPT等前沿模型，為來自英國三所大學考試和考核中的761篇本科論文逐一打分。結果顯示，AI給出的評分與專家評審授予的學位等級僅僅有約半數相符。更為嚴峻的是，這些系統在識別優秀的學術成果和薄弱的作業時屢屢失准，暴露出其對語言形式過度敏感、對學術實質把握不足的缺陷。

這份新近發布的報告警示，盡管AI可以在一些閱卷流程中充當輔助工具，但若將其推向前台獨立裁斷，不僅可能抹殺學生的個性才華，更將動搖高等教育賴以維系的信任根基。

評分模式“掐頭去尾”

這項名為OpRaise的研究由劍橋大學心理學家德博拉·塔爾米博士主持，聯合曼徹斯特城市大學、諾丁漢大學共同完成。研究團隊選取了2022年至2025年間提交的761篇真實本科論文，涵蓋50個模塊、87項不同作業，考核形式包括課程作業、開卷居家考試與監考考試。

接受測試的三種前沿大語言模型分別為Anthropic的Claude Opus4.6、OpenAI的GPT-5.4以及谷歌的Gemini 3 Flash。研究團隊系統性地從評分標准具體性、校准干預和評分策略三個維度調整指令，甚至為模型提供了完整的評分標准與預期分數分布，並要求其在給分前逐項解釋評判依據。即便如此，AI的評分准確率仍徘徊在35%至65%之間。

在三所不同的大學裡，AI都表現出明顯的“中心傾向偏差”。它們傾向於給所有作業打上安全的中等分數，在50至60分的區間，與人類評分最為接近。一篇被人類專家評為75分（一等學位水平）的優秀論文，AI平均會壓低幾分﹔而一篇被評定為50分的薄弱作品，AI反而會慷慨地拔高幾分，呈現“掐頭去尾”的評分模式。

更注重形式而非“內涵”

人類閱卷，要基於學術推理和學科洞察再作出判斷，但AI的評分本質上依賴統計預測。此次所有被測模型，無一例外地對語言特征表現出過度敏感：文章篇幅更長、詞匯范圍更廣、句子結構更復雜，往往就能獲得更高分數。至於論証是否嚴謹、証據是否充分、批判性思維是否到位，則並非其關注核心。換言之，AI更容易被“漂亮的外表”迷惑，很難穿透文字去掂量學術思想的重量。

這種形式重於內容的傾向，帶來了同質化風險。研究團隊在不同時間用同一篇論文反復測試，AI每次給出的分數幾乎紋絲不動。表面上看，這似乎是“一致性高”的優點，實則暴露了這些AI在共享同一種機械邏輯：它們並非在“理解”論文，而是在匹配語言模式。

而當所有模型都呈現相同的評分模式時，學生的個性表達、獨特的論証路徑、非常規但富有創見的思考，反而可能被忽略。這種偏見的后果，就導致上文所說的，AI在最重要的評估決策之處，准確率最低。

在評語反饋環節，同樣存在局限。AI生成的評語篇幅通常是人類的3至8倍，團隊於是將AI評語壓縮到與人類評語同等長度后，再交由教職工和學生辨別作者身份，結果眾人竟難以區分。然而一旦揭曉哪段話出自AI之手，參與者對AI評語的認可度便明顯下降。這說明，教師與教師之間、教師與學生之間，那種基於專業默契和學科共同體的理解，仍是AI無法取代的。

人類考官無法被替代

面對日益繁重的閱卷壓力，不少高校將AI視為緩解教職工負擔的潛在方案。塔爾米博士坦言，大學正承受著削減工作量、提高效率、滿足學生期望的多重壓力，一些機構已開始考慮讓AI承擔評估職責。機器或許確實能分擔部分勞動密集型的閱卷工作，讓教師騰出更多時間直接指導學生。但這份題為《AI大學評估中的應用：評估自動評分的機遇與風險》的報告強調，最終成績必須始終由人類裁定，AI至多只能充當“第二雙眼睛”，用於錯誤檢測、一致性檢查，或是標記出AI評分與人工評分差異顯著的作業，提請人類重點復核。

學術評估的意義，遠不止於技術層面的打分。塔爾米博士指出，評估是構建教育意義的過程，它讓學生感到被重視，維護學術標准，維系師生之間的信任。

曼徹斯特城市大學的報告合著者雅埃爾·本恩博士補充道，許多學生明確表示，若得知作業由AI打分，會產生強烈的被欺騙感﹔教職員工也認為，過度依賴機器可能侵蝕到專業判斷，並“抽走”了高等教育作為核心的人性化。師生之間圍繞評分與反饋形成的默契與期待，本質上是一種“社會契約”，它的存續有賴於人對人的認可與回應。

這份報告並沒有否定AI在教育領域的價值，而是為其劃定了清晰的邊界：AI絕不能取代“考官席”上的那雙受過專業訓練的眼睛。在學術質量的裁斷場，人類的推理、經驗與責任感，至今仍是無法被算法替代的最后防線。(記者 張夢然)