採点バイアスを減らすブラインド採点とAIの役割

同じ答案でも「普段からよくできる生徒」のものだと点数が上がります。いわゆるハロー効果（halo effect）です。字、名前、直前の答案の印象までが採点を揺さぶります。教師も人である以上、この影響を意志の力だけで完全に遮断するのは難しいものです。AIは、こうした人間的なバイアスを減らす中立的な二次採点者として活用できます。ただしAIにも別の種類のバイアスがあるため、両者を突き合わせる設計が必要です。

点数を揺さぶる見えない変数

研究で繰り返し確認されている採点バイアスです。自分は公正だと信じている教師ほど、点検してみる価値があります。

• ハロー効果: 普段の印象がそのまま点数に転移します。
• 順序効果: よく書けた答案の次に採点した普通の答案が、実際より低く見えます。
• 筆跡バイアス: 丁寧な字が、内容と関係なく点数を上げます。
• 疲労バイアス: 採点の後半になるほど基準がぶれ、雑に流してしまいがちになります。

AIを中立の装置として使う方法

1. 生徒の識別情報を隠した答案をAIに入力します。名前と番号を消したブラインド処理が出発点です。
2. AIの採点は字や名前の影響を受けないので、基準そのものの一貫性を点検する鏡になります。
3. 教師の点数とAIの点数が特定の生徒集団でだけ体系的に開くなら、人の側のバイアスを疑ってみます。
4. 採点の順序を無作為に入れ替えて、順序効果と疲労バイアスを減らします。

AIにも学習データに由来するバイアスがありえます。しかし人のバイアスとは種類が違うので、両者を突き合わせればお互いの死角を照らし合えます。

注意: AIのバイアスも点検の対象

AIを中立の装置として使えば無条件に公正になる、というわけではありません。機械のバイアスも抜き取りで捉える必要があります。

• AIの点数が特定の表現の仕方や特定の語彙を一貫して優遇していないか、抜き取りで確認します。
• 標準的でない表現、方言、外国語を背景に持つ生徒の答案で不利に働いていないかを見ます。型どおりでない文章が不当に削られていないかが肝心です。
• AIが長い答案に点数を多くつける傾向がないかも点検します。分量バイアスは意外とよくあります。

突き合わせの点検を実際に回す方法

原理はわかったけれど、どこから始めればよいか見当がつかないというときは、次の手順を一つの評価で小さく回してみてください。一度やっておけば、以後の点検は速くなります。

1. 一つの学級の答案から名前と番号を消して、ブラインドのセットを作ります。
2. 教師が先に採点し、その点数を見せない状態でAIにも同じセットを採点させます。
3. 二つの点数の差を生徒ごとに並べ、特定の集団でだけ差が一方に偏っていないかを見ます。
4. 偏りが見えたら、その答案を集めて何が違ったのかを読みます。字のせいなのか、表現の仕方のせいなのかが浮かび上がります。

この過程で見つけたことは、点数を変えるためではなく、次の採点で自分の物差しを意識するためのものです。バイアスは一度になくすことはできませんが、一度でも目にしたことがあれば、次は小さくなります。

まとめ

公正な採点は変数を減らす設計から生まれます。ブラインド処理、順序の無作為化、そしてAIとの突き合わせによる点検が、人と機械の両方のバイアスを同時に浮かび上がらせます。完全な客観はありませんが、バイアスを見えるようにすることはできます。見えるようになった瞬間から減らしていける、というのがこの設計の本当の価値です。