---
title: "減少同儕互評搭便車的 AI 輔助設計"
description: "本文談的是如何以 AI 輔助，減少同儕互評中常見的分數串通與敷衍應付，並提出具體的設計策略。"
lang: "zh-Hant"
date: "2026-01-24T15:00:00.000Z"
updated: "2026-06-28T02:37:00.000Z"
tags: ["同儕互評","AI 評量","合作學習","評量公平性"]
canonical: "https://flipsson.com/tw/blog/7muxRNXtXWqD"
---

# 減少同儕互評搭便車的 AI 輔助設計

在小組作業的同儕互評裡，學生大多互相給滿分 5 分。很難給要好的朋友低分，再想到下次輪到自己被評，也就只能給得大方。一旦 ==由關係決定分數==，同儕互評就失去意義。實際上人人滿分，鑑別度也就消失了。AI 可以用來補強評分的客觀依據，並當作篩掉敷衍回饋的安全裝置。讓大家看的不是分數而是依據，這就是起點。

## 防止分數串通的結構

只收分數，就很容易串通。==把書寫依據列為義務==，串通的成本就會上升，因為編造假的依據比直接給滿分麻煩得多。設計要點如下。

- 在分數旁邊，一定要寫下 ==兩個以上的具體依據==。
- 由 AI 檢查那些依據是否連得上評分項目。像「他很親切」「他很努力」這類無關的依據，要求重寫。
- 所有評分都匿名處理，但老師仍可確認是誰在敷衍。

舉例來說，若是報告的同儕互評，AI 會引導學生別寫「聲音很大 5 分」，而是寫成「明確列出 3 個資料出處，並當場回答提問」這種 ==以行為為依據== 的說法。當抽象的稱讚換成行為觀察的那一刻，評分就活了過來。

## 用 AI 檢查信度

1. 由 AI 標示集中在某位學生身上的極端分數，也就是全數滿分或全數最低。
2. 比較針對同一對象的多份評分，看依據是否一致。若只有一個人看法特別不同，就確認原因。
3. 老師只細看亮起異常訊號的小組，不必全部都看。

> 同儕互評不是為了分數，而是讓學生把好成果的標準內化的訓練。

## 現場檢核表

- 評分之前一起讀過評分規準，並用範例答案練習評分。沒有標準就評，只會變成印象分數。
- 不讓學生評自己的小組。這是防止利益衝突的基本裝置。
- 同儕分數只當作成績的部分權重，其餘由老師評。一般來說同儕佔 20～30％ 左右較為妥當。
- 對一再敷衍的學生，透過晤談明確告知「評分也是作業的一部分」。

## 教學生怎麼給好的同儕回饋

學生從來沒有專門學過怎麼給好的回饋，所以只會留下「做得很好」或「不太行」這類話。若在評分之前先教回饋本身，同儕互評的品質就會不一樣。提供下面這個框架，效果很好。

1. 具體寫下 **一個做得好的地方**。不是寫「開頭很有趣」，而是寫成「在第一句就提出統計數字抓住了注意力」。
2. 以建議的形式寫下 **一個可以改進的地方**。不是寫「不太行」，而是寫成「結論再多加一行依據，說服力應該會提高」。
3. 以提問的方式留下 **一個好奇的地方**。提問會讓評分者不再是指責者，而是讀者。

光是給出這三格框架，敷衍的一行評語就會消失。評分的學生也必須仔細讀別人的文章，最後看自己文章的眼光也跟著長進。

## 重點整理

同儕互評的敵人是 ==關係與敷衍==。用 AI 把依據列為義務，並標示異常分數，評分就會從人氣投票變成學習工具。核心在於一套讓人看依據、而不是看分數的設計。運作順利時，學生會在評價同學的過程中自行學會好成果的標準，而那套標準會原封不動用在自己的下一份作業上。