当AI开始批改开放式论文，谁来为“不合常规”作证

一篇讨论“赛博格伦理”的论文，没有沿着“提出问题—展开论证—得出结论”的路线写，而是故意采用碎片化叙事。教师可能先问：这种形式是否服务于观点？自动评分系统更容易先看到另一件事：段落衔接弱、递进关系不清、论证结构偏离常见模板。

同一处“不合常规”，可能是写作失控，也可能是论文最有价值的部分。开放式论文交给AI批改，难点就在这里。

吴砥、李环、陈旭在《人工智能通用大模型教育应用影响探析》中，将教育人工智能的能力变化概括为从“能存会算”“能看会听”走向“能理解会创作”，同时提醒大模型应用可能加剧伦理安全风险。《高等教育数智化转型研究报告》则把DeepSeek等开源大模型视为推动教育AI新应用的技术背景。

应用范围也在迅速铺开。多鲸教育研究院2025年6月发布的《AI赋能教育行业发展趋势报告》，列出了数字内容、XR教育设备、教育智能硬件、SaaS、职业教育和智慧校园等具体场景。当学校进一步把模型接入论文反馈和成绩评定，问题便不再只是“好不好用”，还包括谁有权定义一篇论文是否优秀。

当“少见”被系统读成“有错”

常见的自动评分流程，会依据评分量表拆解论文：结构是否完整，概念是否准确，引用是否缺失，论点之间有没有明显断裂。处理格式和基础逻辑时，这套方法很有效。

开放式论文当然也需要标准，只是标准无法提前写完所有有效表达。反讽表面上可能自相矛盾，悖论会故意保留张力，非线性叙事也不会提供清晰的递进关系。如果评分量表把一致性、完整性和常见结构放在过高位置，模型就可能把形式实验判成逻辑混乱。

低频只说明少见，不说明低质。大模型更容易识别接近既有样本的写法，而真正有新意的表达，常常先以“偏离样本”的面貌出现。

更值得警惕的是学生对评分器的适应。如果线性结构、稳健措辞和常见观点持续得到更高评价，学生会逐渐学会写“模型喜欢的文章”。清华大学发布的《清华大学人工智能教育应用指导原则》提出“积极而审慎”的立场。化工系教授卢滇楠谈到，学校要培养能指挥AI的“将军”，而非被替代的“士兵”。一个只会迎合评分算法的学生，显然离这个目标越来越远。

一致执行，也可能稳定复制偏差

机器评分最有吸引力的地方，是同一套规则可以反复执行。但规则本身若偏向线性论证、主流术语和常见表达，一致执行只会让偏差变得稳定。

《人机协同：运用人工智能与机器学习保障教育评估的公平与无偏差》把公平与无偏差列为AI进入教育评估时需要单独保障的目标。这里的公平不能只看“是否使用同一把尺子”，还要检查这把尺子能否容纳不同文化背景、非主流观点和个人表达习惯。

模型从既有语料中学习，罕见表达在样本中天然更少。扩充训练数据可以减少盲区，却无法预先穷尽尚未出现的观点和写法。评分机制因此需要公开依据、暴露不确定性，并给例外留下人工复核入口。

每一次改分，都要留下理由

较稳妥的流程是“AI预审 → 人工复核 → 差异反馈”。AI承担重复劳动，教师保留最终判断权，系统还要记录两者为何出现分歧。

• 初审只做可验证的项目：检查格式、引用缺失和明显的逻辑断点，对照评分量表定位原文证据。AI可以给出建议或分数区间，但不直接写入最终成绩。
• 把不确定性显性化：遇到非线性结构、反讽、悖论，或者不同轮次判断不一致时，系统应标记争议段落，而不是强行给出确定结论。
• 教师负责定调：教师结合上下文判断偏离常规究竟是创新还是缺陷。正式成绩仍由教师确认，不能只依据AI生成的摘要和评语。
• 保留反馈与申诉记录：教师修改AI建议后，调整理由应被保存。需要更新评分量表时，应按课程统一修订并记录版本，避免针对个别学生临时改变规则。

工程选型同样会影响结果。参数规模只是一个指标，长文本上下文是否稳定、评分依据能否定位到原文、推理成本是否可控，更直接决定论文批改能否落地。复杂Prompt链或多智能体分工可以拆解任务，却不会自动带来公平；缺少证据追踪时，链条越长，责任反而越难厘清。

最终分数不能只剩一个模型答案

AI可以成为勤奋的校对员、资料检索员和逻辑检查员。面对一段挑战学科惯例的论证，它也可以指出证据不足、概念跳跃或表达含混。但这段论证是否值得鼓励，仍需要能够理解课程目标、阅读完整上下文并接受质疑的人作出判断。

开放式论文的评分会反过来塑造学生对“好文章”的理解。如果系统长期奖励工整、安全和可预测，学生最终学到的可能只是如何让评分器舒服。

边界要落在三个问题上：谁解释分数，谁处理例外，谁承担责任。只要这三件事仍需教师和学校回答，AI就应停在助教的位置。

参考资料

• AI赋能教育行业发展趋势报告，多鲸教育研究院，2025年6月
• 人工智能通用大模型教育应用影响探析，吴砥、李环、陈旭
• 清华大学“AI教育应用指南”出炉的背后，清华大学
• 人机协同：运用人工智能与机器学习保障教育评估的公平与无偏差
• 高等教育数智化转型研究报告