研究表明生成式 AI 评分波动大，尚不能替代教师批改作业

卡迪夫大学和墨尔本大学的研究发现，生成式 AI 在评判学生书面作业时，可靠性不及人类教师。研究人员使用 ChatGPT 两个版本，对 50 篇生物科学论文按 7 项标准评分，并采用 4 种提示方式，将结果与人工评分对比。

结果显示，AI 评分波动大，无法准确预测人工分数。除一种情况外，AI 平均分普遍偏高，与人工最大差距达 16.1 分，单篇最大差距达 40 分。AI 倾向于压低高分、抬高低分，使分数向中间集中。

研究指出，当前大模型不适合取代教师进行作业评分，且未经学生同意使用 AI 涉及伦理问题。尽管 AI 未来可能提升，但现阶段难以与人工评分保持一致。