大模型能不能批改主观题？一文读懂：公平，才是 AI 评分的生死线
你有没有想过：
未来的考试卷子，会不会是 AI 来批？其实，这件事已经不是遥远的幻想：大学课堂、在线写作平台、甚至一些省级考试试点，都在悄悄使用大模型进行“主观题评分”。
但问题随之而来：AI 给的分，到底公不公平？
本文基于多篇真实论文和实测数据，把复杂的研究讲明白，让你一次读懂——
大模型评卷，到底可不可行？又如何做到公平？
一、AI 评分真的不靠谱吗？研究怎么说？
先说结论：
未经训练的大模型，确实很不可靠。
一个很典型的研究来自 Gaggioli 等人的 2025 年论文：
● GPT-4、Claude 3.5 给大学作文评分
● 与老师评分的相似度“几乎为零”
● 同一篇作文让它打两次，成绩还不一样
来源：
这意味着什么？
大模型会“情绪化评分”，不稳定。
难怪大家不敢让 AI 单独阅卷。
二、更现实的例子：高考语文老师给 AI 作文打分
2025 年，语文名师给“九个大模型写的高考作文”评分。
● 结论比较有意思——逻辑清晰？AI 很强
● 情感深度？AI 很弱
● 个性交代？几乎没有
● 思辨？不如学生
来源：
“有提升”，高考阅卷名师再评AI高考作文：九大模型座次剧烈变动|作文|高考_新浪科技_新浪网
换句话说：
AI 写得像“高分模板机器”，但不太像人。
所以问题来了——如果 AI 自己都写不出“真实的人类思维”，它如何公平地给真实学生打分？
三、那有没有成功案例？有，而且是国内的。
真正让人眼前一亮的，是一项 基于国产模型微调的主观题评分实验。
研究者把评分拆成四步：
1）读懂评分标准
2）从学生答案里找得分点
3）总结得分理由
4）最终给分结果非常惊人：
● 模型与人工的平均分差 只有 0.061
● 相关系数 0.952（几乎跟老师一样）
来源：
说明什么？
大模型不是不能评分，是不能“裸用”来评分。
经过训练、校准、拆任务，它能非常接近老师。
四、国外高校的实测：ChatGPT 的成绩竟然挺靠谱
西北农林科技大学做过一个真实课堂研究：
把学生英语作文交给——
✔ 老师评分
✔ 批改网
✔ ChatGPT用 SPSS 做相关分析后发现：
ChatGPT 的分数，竟然和老师评分显著相关！
而且平均分恰好夹在“老师”与“批改网”之间。来源：
https://fec.bjfu.edu.cn/cn/article/pdf/preview/10.3969/j.1001-7232.2024253.pdf
研究者的评价很有意思：
AI 的反馈方式，甚至比传统批改系统更能帮助学生。
这说明：
AI 评分不是洪水猛兽，而是“谨慎使用就很强”。
五、如何让 AI 评分变得“真正公平”？
1. 不是“AI 单独评分”，而是“AI 初评 + 老师复核”
国际上最成熟的方法叫 Human-AI Collaboration。
流程大概是：
● AI 先给分
● AI 标记“不确定区域”
● 老师只复核不确定卷子
这既节省人力，又保留了公平性。
来源：
[2401.06431] Human-AI Collaborative Essay Scoring: A Dual-Process Framework with LLMs
2. 不打绝对分，而是“谁更好”的比较式评分
日本研究者提出 LCES 方法：
AI 不直接打分，而是判断——
A 比 B 好吗？
B 比 C 好吗？再用数学模型“反推”成分数。
来源：
比较判断比绝对打分更稳定，这是一种很聪明的想法。
3. 评分拆解成多个可解释任务
国内研究已经验证——拆成四步效果最好：
● 标准解析
● 找得分点
● 总结理由
● 再给分
这能让 AI 打分更“透明”。
4. 给 AI 明确“评分线索”更公平
美国研究者使用语言学特征（词汇多样性、句法复杂度、可读性指标）作为提示，让 AI 更关注这些“客观要素”，结果评分更稳、更解释得通。
来源：
7B模型颠覆教育体系：匹兹堡大学新成果，LLM + 传统语言特征显著提升自动作文打分效果 - 文章 - 开发者社区 - 火山引擎
六、最后：AI 能不能负责主观题评分？
一句话总结：
能，但不能它一个人干。
公平，永远是“技术 + 制度”共同决定的。
最强的组合是：
