在教育场景里，主观题批改是教师高频且耗时的环节，也是生成式模型最容易“看起来合理”却难以稳定复现的任务。教育AI实验室近期围绕“可校准的批改”做了一组实验：不直接让模型给分，而是先把教师的评分细则拆成可检索的评分锚点（采分点、典型正例、典型负例），再让模型按锚点逐项判定，输出分数区间、错因标签与一段面向学生的分层反馈。
阶段性进展：
- 在初中数学与高中物理共约1200份主观题答卷上，模型与教师双盲评分在±1分内的一致率约86%，错因标签与教师标注一致率约74%；
- 引入低置信度转人工后，需教师复核的比例约18%，主要集中在多解法、步骤跳跃与字迹识别困难的样本。
目前的初步结论是：评分锚点的颗粒度比模型规模更影响一致性；错因标签只有落到知识点与解题步骤上，才对后续教学真正有用。下一步计划把错因标签接入知识点图谱，自动生成个性化巩固题单，并在两所合作校做小范围对照，观察教师复核负担与学生订正完成率的变化。
评论