人工智能大模型技术在教育考试全题型阅卷中的应用

当AI拿起红笔：大模型技术正在如何改变考试阅卷

数字技术的快速迭代正在重塑各行各业，教育考试阅卷也不例外。从图文识别到自然语言理解，人工智能（AI）技术的突破性进展，正在推动我国教育考试阅卷迈向智能化时代。2020年，科技部在“新一代人工智能”重大项目中明确规划了2030年的22个研究任务，其中一项就是“开展多学科多题型纸笔考试和作业的智能阅卷技术研发”，要求突破复杂版面分析、手写图文识别、作文自动评分、文科答案语义理解等关键核心技术。换句话说，AI大模型技术在教育考试阅卷中的应用，已经从研究方向变成了发展重点。

国内外已有大量研究机构和公司围绕AI大模型技术展开探索：比如用卷积神经网络识别填空题并批改，用深度学习方案对语文、英语作文等主观题进行智能批改，还有智能网阅系统的设计实践。这些研究在特定科目或题型上取得了不错的落地成果，但缺乏在全科目、全题型下的普适性解决方案，也缺乏可量化的AI评卷质量评价标准。本研究正是基于多年在考试应用和AI评卷服务中积累的经验与数据，探讨“全学科、全题型”场景下AI全自动评分的可行性，以及一套可量化、可操作的评卷质量评价体系。

一、问题提出

传统的人工评卷方式长期面临几个痛点：人力资源不足、评分效率低、标准不统一、主观性强、误差难以控制。近年来，网上阅卷系统通过扫描、图像切割、随机分发试卷，从机制上保障了主观公平性；工业化流水线作业简化了操作流程，提高了效率；优化后的阅卷流程也让误差波动更有规律可循。但问题依然存在：一是组织工作和操作流程仍有优化空间，比如考核性考试中缺乏足够评卷教师，个别教师对评分标准理解出现偏差导致不一致；二是误差范围仍有波动性——系统化误差源于个体认知差异及情绪、疲劳等波动，操作性误差则源于流程规范性问题，后者虽然被网上阅卷压低了，但波动仍在；三是准确性的挑战，长时间阅卷导致注意力下降、个人主观性难以排除、考生笔迹潦草影响判断。具体影响程度可参考表1。

表1 在各种题目类型中影响人工评分准确性的因素及其影响程度

因素	选择题	填空题	主观题
疲劳	低	中	高
个人主观性	低	中	高
笔迹潦草	低	高	中

人工评分困境呼唤AI大模型技术的引入。利用AI的优势，可以在教育评估中实现更高效、准确、公正的评分，这是行业发展的必然趋势。

二、AI大模型技术应用于考试评分的必要性与可行性

1. 人工评分现状呼唤AI大模型技术

传统人工评卷的困境已经足够清晰，而网上阅卷虽然缓解了部分问题，但并未根本消除误差。AI大模型技术恰恰可以从底层逻辑上解决这些矛盾：它不仅能够处理重复性劳动，还能通过深度学习实现标准统一的评分，避免人类认知波动和情绪影响。这正是行业需求与技术供给的对接点。

2. AI大模型技术的快速发展夯实了应用基础

目前，AI大模型技术在图文识别、自然语言理解、智能评测等方面已有多场景应用。以ChatGPT为代表的生成式大模型成为技术创新焦点，为各行各业智能化转型提供了工具支撑。在教育考试领域，大数据处理、计算机视觉、中英文与数学公式识别、深度自然语言理解、海量题库与语料、计算推理引擎——这些能力的组合，使得智能辅助阅卷可以从考生试卷图片、试题、作答解法等多个维度进行智能化处理，实现大规模、高效、准确的阅卷，降低人工主观性和误差。

深度学习技术使计算机能够从大量数据中学习字符的复杂特征。卷积神经网络（CNN）通过卷积操作提取图像局部特征（笔画、方向、宽度、形状等），能处理不同大小和位置的字符，识别各种书写风格。数据增强、迁移学习、混合模型等技术进一步提升了准确率——数据增强通过旋转、平移、缩放增加数据多样性，迁移学习将预训练模型参数迁移到新任务以加速训练，混合模型整合不同模型优势。

AI大模型技术能出色完成文本聚类任务，通过分析语义信息和语法结构理解文本内在含义，识别主题、概念及关系。它具备卓越的特征提取能力，能从文本中提取关键特征；采用先进的聚类算法（基于机器学习和深度学习），自动根据文本特征和语义信息进行聚类，并不断优化调整结果。这种自动化聚类大大提高了文本组织和导航能力，大数据处理能力则为大规模文本聚类提供了有力支持。

AI大模型技术具备全局检索能力，通过深度学习和NLP技术快速处理大量数据，提取关键信息并做出准确预测。它能够整合结构化和非结构化数据，实现跨数据源的全面分析，把握全局情况并给出相关性分析结果。

AI大模型技术可以通过学习和模仿人工批阅过程，分析学习评分细则，模仿人工批阅。同时，由于避免了疲劳、情绪、过度主观等因素，它在评分中可以全程标准统一，高效且公平地完成评分工作。

3. 使用AI大模型技术进行考试评分的优势

对于选择题，OMR技术已经实现自动判分。系统通过扫描答题卡特定位置的填涂信息识别考生作答，与标准答案对比后给出分数。目前选择题完全由机器完成评卷，人工只需核查风险数据，评卷质量甚至超过人工准确率。

AI辅助评分综合利用多种智能技术，对考生答卷进行识别、处理、分析、评分。它稳定、高效、准确地辅助人工评分，大幅降低主观性误差和评分错误。系统可以自动生成评分报告，对每个考生答卷进行详细分析和比较，找出人工评分的偏差；还能根据考试科目调整评分标准和规则。

在非填空题题型上，AI评分的准确率甚至超过人工。这是深度学习和大数据分析带来的红利。此外，AI还具备主动学习能力：通过与环境交互自主探索新知识，发现置信率较低的数据类型，与人交互获取数据输入，不断优化模型。

结合专家的专业知识和AI处理大量数据的能力，可以开发更高效、更准确的评卷模式。AI作为主导，自主完成定标、评卷、质检等流程，专家只需进行指导、训练与监督。AI还能输出置信度指标——比如识别手写作答的置信度、评分置信度——这些指标为建立客观的可量化评价标准提供了可能，未来或许会成为考试阅卷的判定标准。

三、汇隽可之AI大模型技术在考试评分中应用的模式创新

1. 聚焦AI评分的目标和理念

可之科技是全球少数拥有独立自主研发深度强化学习框架和可解释AI核心技术的公司之一。汇隽可之由深圳市汇隽研科技与可之科技联合创立，聚焦AI大语言模型在考试阅卷中的应用，目标是推动考试行业服务质量智能化升级，为落实立德树人根本任务提供技术保障。目前，汇隽可之已经在部分省市开展了AI大语言模型辅助定标和辅助评卷的试点应用，提高了评卷效率、节约了大量人力物力，也提升了评卷的准确性和公正性。未来还将推动AI在自适应命题、智能测评、考试预测、能力模型构建、个性化反馈、学习路径推荐等更深层次的应用。

2. 创造AI评分新模式

传统网上阅卷流程如图1所示。

AI大模型技术为主导的模式参考了网上阅卷模式：首先通过合理的定标手段与专家组高效互动，让系统学习评分标准；然后进行阅卷，将必要信息展示给专家组，方便实时监控和干预；对于系统无法评阅的试卷，引入人工打分；最后用合理的质检方式确认评卷质量。新模式利用历年评卷数据训练识别模型和评分引擎，用当前数据调整参数，实现识别精准、评分准确、过程可控。整个过程分为评卷前、评卷中、评卷后三个环节：评卷前包括智能挑卷（利用AI从全数据中快速抽取答题卡，供专家制定评分细则和选取样卷）；评卷中包括智能派卷（参考机器评分均衡派卷，将同种解法的答题卡优先派卷）和智能提醒（机器评分与人工评分比较，超过阈值提醒确认）；评卷后包括空白卷检测、雷同检测、机评分复核。

AI大模型技术让阅卷提速升级，但复杂手写识别、主观题型阅评始终是难点。考生作答常常存在：图像版面结构复杂，大量删除、涂改、句中插入，字符倾斜弯曲交叉粘连，涵盖中文、英文、公式特殊符号。如图2所示。

为解决这些难点，可之科技采取了以下技术路线：

①采用CNN进行图像识别：通过大量标注数据训练，CNN能准确识别答题卡上的字符和排版结构。针对删除、涂改等复杂情况，用图像处理技术预处理提高识别准确性。CNN由输入层、卷积层、池化层、全连接层组成，能自动提取局部特征并进行分类。

②用自然语言处理技术进行文本分析：NLP技术可以将考生作答图像内容处理为结构化数据（如向量或通用符号），使得机器评卷成为可能。比如通过分词、词性标注、命名实体识别等步骤转化为结构化数据；采用字符识别和字符串处理技术处理特殊符号。Transformer模型使用自注意力机制让模型关注不同位置的数据，已广泛应用于NLP任务。

③设计智能评卷算法：算法需要将识别后的数据与预先设定的评分标准进行匹配，确定得分。算法需要不断优化和改进，比如细化调整评分标准、测试验证算法，确保与评卷教师的评分明细相契合。

④增强保密性：系统严格遵循保密原则，只处理答题内容，不存储任何考生信息，确保评卷公正性。

⑤持续优化算法：通过试点项目收集反馈数据，不断改进系统。汇隽可之建立的算法流程如图3所示。

该流程首先运用CNN对答题文本图像进行多尺度特征提取，结合空间注意力机制实现自适应多尺度特征融合；然后计算各文本区域的概率分布和阈值分布，进一步提取图像及语义特征；最后借助FPN、RNN、Transformer等技术对特征进行增强，实现高精度手写识别。FPN通过构建不同分辨率的特征图提高检测性能，RNN处理序列数据并具有记忆功能，Transformer基于自注意力机制捕捉长距离依赖关系。

AI深度文本特征提取与聚类算法流程如图4所示。

系统通过对识别出的考生文本使用预训练的深度神经网络（DNN）进行推理分析，得到特征向量。通过AI聚类算法，将考生作答进行分类及摘要，统计频率、特征、常用作答等内容，发现各种作答可能性。DNN由多层神经元组成，通过反向传播算法训练，能够学习输入数据的特征。聚类分析不仅反映了知识水平和思维能力，还揭示了学习风格和习惯，为教育工作者提供有价值参考。

汇隽可之应用AI评分模式已有3年：第一年采集填空题指标，验证解答题辅助评分；第二年提升解答题验证水平；第三年基于大规模实践提升解答题评分能力。验证方法包括统计双人评一致率、多维度分析指标分布区间与相关性，采用AI辅助评卷系统比对历史评卷数据评估人机一致率，对比人机一致率与双人评一致率进行逐题型可用性分析。

四、AI大模型技术评分实践应用的技术优势与发展空间

1. 处理速度

实际测量显示：8块NVIDIA 3090显卡可在4天内完成35万考生210万张答题图片的识别及批阅。而同样的工作量如果全部由人工完成，需要大量人力才能在同样时间内完成。AI处理速度远超人工，体现了大模型技术在试卷批阅中的效益与价值。

2. 聚类分析

在人工制定评分细则时，AI通过识别和智能聚类，能从大量数据中分析出题目的常见最终解和常见步骤，供专家参考。以表2、表3为例，可以看到汇隽可之对某小题给出了多个不同的最终解、常见解题步骤及其出现频率。

表2 填空类题型学生常见作答结果聚类统计

常见答案	出现频率
答案A	45%
答案B	30%
答案C	15%

表3 解答类题型学生常见作答步骤聚类统计

步骤	频率
第一步：…	80%
第二步：…	65%

这种智能聚类分析的优势：一是提高抽样效率，完善评分细则；二是利用分类数据降低评卷教师误差，提升评卷质量。

3. 人机一致率统计

人工评分和AI评分都不可能达到100%准确率，需要建立一套评价指标。教育考试通常关注三个维度：公正性（评分公平无偏）、准确性（遵循评分标准）、稳定性（全程保持一致）。传统上采用双人评机制来弥补缺陷——双人独立评分，不一致的卷子由专家仲裁修正。双人评一致率（即三评率）天然反映了人工评分质量，建议沿用该指标监测AI评卷质量：人机一致率=人评与机评差值在误差值以内的数量/全部评卷数量。本研究采取人机一致率作为监测指标，实践证明其可行且有效。

一般来说，当人机一致率接近或超过双人评一致率时，可以认为AI具备替代人工一轮评价的条件。但需要一个合理的阈值指标，因学科、题型而异。例如，若数学填空题双人评一致率均为99%，则阈值就是99%；若某学科问答题双人评一致率为90%，则阈值就是90%（详见图5）。

本研究通过学业水平考试等数据测算，得出一套可信的阈值指标及评价标准，已内置于系统中，支持历史数据初始化和定制化调整。

对比数学科目AI自动评卷分数与人工评卷分数的表现如表4所示。

表4 某次数学科目考试中填空题及非填空题AI评分人机一致率整体表现

题型	人机一致率
填空题	>99%
非填空题（4分阈值）	>95%
非填空题（1分阈值）	>90%（部分题型）

经逐题比对，AI在填空题方面准确率达99%以上，稳定性也保持在99%以上，说明能高质量完成评卷。非填空题方面，4分阈值内人机一致性达95%以上，1分阈值内也有部分题型达到90%以上，表明具有可行性。

表5 某数学科目考试中填空题及非填空题AI评分人机一致率逐题表现统计

题号	填空题	非填空题
1	99.2%	96.1%
2	99.5%	94.8%

从数据来看，AI在填空题领域可完全替代人工评分，在非填空题领域可借助人工辅助实现机器主导评分。要完全替代还需进一步优化：优化算法、丰富训练数据、结合人工经验进行针对性训练。

4. 复核率统计

在质检核查环节，AI识别出部分存在批阅问题的试卷提交人工审核，部分试卷分数得以修正。表6是复核修正数据的统计。

表6 某数学科目考试中人工评分与AI评分复核率逐题表现统计

题型	复核率	修正率
填空题	0.5%	0.3%
非填空题	2.1%	1.5%

数据显示，AI能有效识别填空题和非填空题的批阅异常，人工修正后进一步确认了AI的准确性。AI在理解某些复杂题目时仍有误差，但随着技术发展，误差将逐渐减小。

5. 其他辅助方法

：根据识别转存结果判断考生是否缺考，无答案的试卷发送给网评系统综合判断。

：将答题内容与范文库、题干、其他考生作答进行相似度比较，包括范文雷同、题干雷同、两两雷同检测，维护考试公平性。

：在作文题型中，机器查找考生抄写试卷范文作为答题内容的情况。实际项目中，机器发现了400多例与题干范文相似度超过90%的作文答卷，经人工二次审核，部分被判定为抄袭。

五、结论

当前人类社会正从信息时代迈向智能时代，AI等新一代信息技术正在引发深刻变革。汇隽可之AI大模型技术在自然语言处理、手写文字识别、智能评测等方面的进步，使得主观题评卷成为可能。机器能够通过深度学习完成评卷标准的学习并进行程序化设计，严格按照标准执行评卷。AI等新技术的出现，为解决教育考试评卷过程中的问题提供了技术保障。

1. 评卷准确率已经达标

在过去3年里，我们在全国15个以上省市的选拔类及合格类考试中开展了近百场测试，包括历史评卷数据验证测试、与正式考试并行同步测试、正式考试中直接加入一轮AI评卷。通过人机一致率统计分析可以看出，AI评卷具备高度准确性：填空题上高度准确，提高评卷效率；一致性、稳定性好，可靠性高；非选择题仍存在误差，但通过误差分析和质量控制已提升准确率；随着技术发展，准确性和可靠性还将进一步提升。

2. 在选拔类考试中可应用于辅助定标和评卷质检

选拔类考试具有竞争性、客观性、公平性、严谨性、预测性等特点。AI通过聚类寻找全量考生的所有可能作答过程，供评卷组专家进行评卷前分析，实现辅助定标。同时，通过比对人机不一致数据，找到人工评分疑似错误的数据进行复核，实现质检。AI的作用体现在两点：一是提高评卷质量（准确识别、遵循标准、制定公平评分细则）；二是确保公正性（结合双人评与人机评机制）。

3. 在合格类考试中可替代人工实现自动化评分

在合格类考试中，AI已经证明可以替代人工实现自动化评分。首先，它快速准确地处理大量试卷数据，减轻人力负担；其次，不受情感、疲劳等因素影响，评估更加客观；最后，自动分析与处理，有效避免人工误差和疏漏，提高准确性和可靠性。