教育AI实验室近期把“AI批改主观题”拆解为一个可验证的工程问题：不追求模型直接给出总分，而是让它输出分项判定与判定依据。
做法上，先把评分细则改写为若干“可判定子项”（如公式选取、代入过程、单位与结论），每个子项配一条评分锚点示例；AI逐项判定时必须引用学生作答的原文片段作为依据，无依据的判定不计分。教师端只处理分歧项与依据缺失项。
阶段性观察：在某批理科解答题的内部试点中，分项判定加证据引用的方式使教师复核重心从“逐题重算”转为“只看分歧”，复核工作量下降；同时暴露出两类典型错误——步骤跳跃时的漏判，以及表述不规范但思路正确时的误判。
要点：
- 进展：形成“分项判定—证据引用—分歧复核”流程，教师按抽样方式复核即可覆盖主要风险，模型不再输出无依据的总分。
- 下一步：引入评分细则版本管理与分数漂移监控，按知识点统计误判类型，并将该方法拓展到长文本主观题的评分场景。
评论