人工智能能否胜任学术评审的重要角色

“AI考官”真的能精准鉴别学术作品的思想深度吗？最近，一项规模空前的研究，直接让最先进的AI模型参与本科论文的学术评分，挑战人类考官的领域专业性。

英国剑桥大学牵头，集合多所高校的研究者，对来自英国三所大学的761份本科论文进行了大规模测试。测试对象包括Anthropic的Claude、OpenAI的ChatGPT等一线AI模型。所获数据让人深思：AI打分与专家划分的学位等级只有大约50%能对得上号。更令人担忧的是，AI在发现真正优秀或较弱的论文时经常出现判断偏差，暴露出它过于重视文具表达、难以捕捉学术实质的短板。

报告为高校敲响警钟。它指出，AI确实可以作为评卷助手介入流程，但如果让机器独自决断成绩，不仅可能淹没学生的个性和创意，还可能动摇高等教育的公信力。

AI评分偏向“中庸”

这项由剑桥大学心理学家德博拉·塔尔米博士主导、与曼彻斯特城市大学和诺丁汉大学合作的OpRaise研究，实际采集了2022—2025年三校提交的761篇本科论文，文体包括课程报告、开卷考、线下监考等，涵盖50个课程模块和87类作业类型。

参与测试的三大主流AI模型分别是Claude Opus4.6、GPT-5.4和Gemini 3 Flash。研究团队尝试通过对评分标准、评分策略等详细指令进行调整，并为AI提供了详细评分准则和分布预期、评分解释要求等多重校准。尽管进行了如此多的“加持”，AI打分准确率仍在35%到65%之间浮动。

实验显示，无论在哪所学校，AI都普遍展现出明显的“中间分倾向”，它们更愿意给出区间在50—60分的安全分数，与人类大致相符。一篇专家眼中的75分高分佳作，落到AI手中却常常被下调几分；反之，原本只是及格50分的论文，AI却屡屡高抬一手，呈现出“高低分被抹平”的现象。

AI看重格式多过“内核”

资深考官在评卷时，关注的不只是文字表象，而是考查学生如何进行论证、能否展现独立思考和深度见解。但AI评分的本质是基于大数据的模式匹配。本轮测评中，所有AI模型对论文的长度、词汇量和句法复杂性都异常敏感，表现好看就能拉高分。至于论点是否有深度，证据是否充分乃至是否具备批判性思维，AI却往往忽略。换句话说，AI更是看“皮相”，很难识别学术真正的分量与创新。

这一套路导致评分高度同质化。团队用同一篇论文多次测评，AI给的分数几乎不变，乍看像是“公正客观”，其实只是反映其机械地套用语言规律，而非理解论文精髓。

更大的隐患在于：机判一旦成为主流，学生在写作时展现特色和奇思妙想就很容易被忽略。最终导致的局面是，AI在关键决策时反而“最不准”。

反馈点评也存在类似问题。AI写的评语不仅字数远超老师，精炼后再让老师和学生分辨，绝大多数人也很难一眼看出差别。但一旦曝出哪段内容出自AI，大家对机生点评的认同感大幅下降。这说明，师生之间用心交流和学术共识，是AI无法替代的纽带。

人工裁判地位不可撼动

在教师阅卷工作不断加重的背景下，不少大学都在讨论利用AI来减轻压力。塔尔米博士承认，当前高校正面临减负增效和满足学生多元需求的多头压力，某些机构已开始让AI承担部分评测任务。有些繁琐的打分工作，交给AI确实能够让老师腾出手来专注于实际教学。但在《AI大学评估中的应用：评估自动评分的机遇与风险》一文里，研究组反复强调，最后的裁决权只能握在人类手中。AI充其量做“复核小帮手”，用来辅助检测出错、提升一致性，或者提示老师重点关注“分歧明显”的机评分作业。

学术评价的意义，不是简单地打分，更关乎教育尊重、学术规范和师生信任网络的建立。

曼彻斯特城市大学报告合著者雅埃尔·本恩博士补充指出，不少学生表示，一旦知道作业是由AI阅卷打分，会感到被欺骗；而老师认为，过度依赖AI不仅会削弱专业判断力，也损害了高等教育中人与人之间的联系。教学评价体系本质上是一份师生共同维护的“社会约定”，它只有靠人文关怀才能延续。

团队并不否认AI在教学辅助中的作用，但明确划清界限：AI不能代替人工评卷。真正的学术把关，归根结底必须由具备经验、能力和责任感的人类来守护，这道防线是算法无法逾越的。