“AI考官”能评判学术背后的思想重量吗？一项大规模研究，将当前最先进的生成式AI推上了学术评判的席位。

英国剑桥大学领衔的研究团队让Claude、ChatGPT等前沿模型，为来自英国三所大学考试和考核中的761篇本科论文逐一打分。结果显示，AI给出的评分与专家评审授予的学位等级仅仅有约半数相符。更为严峻的是，这些系统在识别优秀的学术成果和薄弱的作业时屡屡失准，暴露出其对语言形式过度敏感、对学术实质把握不足的缺陷。

这份新近发布的报告警示，尽管AI可以在一些阅卷流程中充当辅助工具，但若将其推向前台独立裁断，不仅可能抹杀学生的个性才华，更将动摇高等教育赖以维系的信任根基。

评分模式“掐头去尾”

这项名为OpRaise的研究由剑桥大学心理学家德博拉·塔尔米博士主持，联合曼彻斯特城市大学、诺丁汉大学共同完成。研究团队选取了2022年至2025年间提交的761篇真实本科论文，涵盖50个模块、87项不同作业，考核形式包括课程作业、开卷居家考试与监考考试。

接受测试的三种前沿大语言模型分别为Anthropic的Claude Opus4.6、OpenAI的GPT-5.4以及谷歌的Gemini 3 Flash。研究团队系统性地从评分标准具体性、校准干预和评分策略三个维度调整指令，甚至为模型提供了完整的评分标准与预期分数分布，并要求其在给分前逐项解释评判依据。即便如此，AI的评分准确率仍徘徊在35%至65%之间。

在三所不同的大学里，AI都表现出明显的“中心倾向偏差”。它们倾向于给所有作业打上安全的中等分数，在50至60分的区间，与人类评分最为接近。一篇被人类专家评为75分（一等学位水平）的优秀论文，AI平均会压低几分；而一篇被评定为50分的薄弱作品，AI反而会慷慨地拔高几分，呈现“掐头去尾”的评分模式。

更注重形式而非“内涵”

人类阅卷，要基于学术推理和学科洞察再作出判断，但AI的评分本质上依赖统计预测。此次所有被测模型，无一例外地对语言特征表现出过度敏感：文章篇幅更长、词汇范围更广、句子结构更复杂，往往就能获得更高分数。至于论证是否严谨、证据是否充分、批判性思维是否到位，则并非其关注核心。换言之，AI更容易被“漂亮的外表”迷惑，很难穿透文字去掂量学术思想的重量。

这种形式重于内容的倾向，带来了同质化风险。研究团队在不同时间用同一篇论文反复测试，AI每次给出的分数几乎纹丝不动。表面上看，这似乎是“一致性高”的优点，实则暴露了这些AI在共享同一种机械逻辑：它们并非在“理解”论文，而是在匹配语言模式。

而当所有模型都呈现相同的评分模式时，学生的个性表达、独特的论证路径、非常规但富有创见的思考，反而可能被忽略。这种偏见的后果，就导致上文所说的，AI在最重要的评估决策之处，准确率最低。

在评语反馈环节，同样存在局限。AI生成的评语篇幅通常是人类的3至8倍，团队于是将AI评语压缩到与人类评语同等长度后，再交由教职工和学生辨别作者身份，结果众人竟难以区分。然而一旦揭晓哪段话出自AI之手，参与者对AI评语的认可度便明显下降。这说明，教师与教师之间、教师与学生之间，那种基于专业默契和学科共同体的理解，仍是AI无法取代的。

人类考官无法被替代

面对日益繁重的阅卷压力，不少高校将AI视为缓解教职工负担的潜在方案。塔尔米博士坦言，大学正承受着削减工作量、提高效率、满足学生期望的多重压力，一些机构已开始考虑让AI承担评估职责。机器或许确实能分担部分劳动密集型的阅卷工作，让教师腾出更多时间直接指导学生。但这份题为《AI大学评估中的应用：评估自动评分的机遇与风险》的报告强调，最终成绩必须始终由人类裁定，AI至多只能充当“第二双眼睛”，用于错误检测、一致性检查，或是标记出AI评分与人工评分差异显著的作业，提请人类重点复核。

学术评估的意义，远不止于技术层面的打分。塔尔米博士指出，评估是构建教育意义的过程，它让学生感到被重视，维护学术标准，维系师生之间的信任。

曼彻斯特城市大学的报告合著者雅埃尔·本恩博士补充道，许多学生明确表示，若得知作业由AI打分，会产生强烈的被欺骗感；教职员工也认为，过度依赖机器可能侵蚀到专业判断，并“抽走”了高等教育作为核心的人性化。师生之间围绕评分与反馈形成的默契与期待，本质上是一种“社会契约”，它的存续有赖于人对人的认可与回应。

这份报告并没有否定AI在教育领域的价值，而是为其划定了清晰的边界：AI绝不能取代“考官席”上的那双受过专业训练的眼睛。在学术质量的裁断场，人类的推理、经验与责任感，至今仍是无法被算法替代的最后防线。(记者 张梦然)