---
title: "减少批改偏差的匿名批改与 AI 的角色"
description: "本文介绍如何用匿名批改和 AI 缓解姓名、字迹、光环效应左右分数的问题。"
lang: "zh-Hans"
date: "2026-04-09T15:00:00.000Z"
updated: "2026-06-28T02:37:00.000Z"
tags: ["评价公正性","批改偏差","AI评价","匿名批改"]
canonical: "https://flipsson.com/zh/blog/ARQRkULlKFFv"
---

# 减少批改偏差的匿名批改与 AI 的角色

同样一份答卷，如果是“平时成绩好的学生”写的，分数就会往上走。这就是所谓的==光环效应（halo effect）==。字迹、姓名，乃至上一份答卷留下的印象，都会左右批改。老师既然也是人，就很难仅凭意志完全阻断这种影响。AI 可以作为减少这类人性偏差的==中立的第二批改者==来使用。不过 AI 也有另一种类型的偏差，因此需要把两者交叉的设计。

## 左右分数的那些看不见的变量

以下是被研究反复证实的批改偏差。越是自信公正的老师，越值得检查一番。

- **光环效应**：平时的印象会原样转移到分数上。
- **顺序效应**：紧接在写得好的答卷之后批改的普通答卷，看起来比实际更差。
- **字迹偏差**：工整的字迹会与内容无关地抬高分数。
- **疲劳偏差**：批改越到后半段，标准越容易摇摆，也越容易草草放过。

## 把 AI 用作中立装置的方法

1. 把遮蔽了学生识别信息的答卷输入给 AI。抹去姓名和学号的匿名处理是起点。
2. AI 批改不受字迹和姓名影响，因此成为检查标准本身一致性的一面镜子。
3. 如果老师给的分数与 AI 给的分数==只在特定学生群体上系统性地拉开差距==，就要怀疑人这一侧存在偏差。
4. 把批改顺序随机打乱，以减少顺序效应和疲劳偏差。

> AI 也可能带有训练数据的偏差。但它与人的偏差种类不同，因此两者交叉时能互相照亮对方的盲区。

## 注意：AI 的偏差同样是检查对象

把 AI 当作中立装置，并不意味着就一定公正。机器的偏差也必须通过抽样揪出来。

- 抽样确认 AI 的分数是否一贯偏袒某种表达方式或某些词汇。
- 看看它在非标准表达、方言、外语背景学生的答卷上是否==产生不利影响==。核心在于不落俗套的文字是否被不当扣分。
- 也要检查 AI 是否有给长答案更高分的倾向。篇幅偏差意外地常见。

## 把交叉检查真正跑起来的方法

如果道理明白了却不知从何下手，建议先在一次评价上小规模地跑一遍下面的流程。做过一次，之后的检查就会变快。

1. 把一个班的答卷抹去姓名与学号，做成匿名题组。
2. 老师先批改，在不看这些分数的状态下，让 AI 也批改同一套题组。
3. 把两个分数的差按学生逐一排开，看看是否只在特定群体上出现单向的偏斜。
4. 若看到偏斜，就把那些答卷收拢起来读一读究竟哪里不同。是因为字迹，还是因为表达方式，就会浮现出来。

在这个过程中发现的东西，不是为了改分数，而是为了在下一次批改时意识到自己的尺子。偏差无法一次消除，但只要见过一次，下次就会减少。

## 要点总结

公正的批改来自==减少变量的设计==。匿名处理、顺序随机化，以及与 AI 的交叉检查，能同时揭示人与机器两方面的偏差。完美的客观并不存在，但可以让偏差变得可见。从变得可见的那一刻起就能着手减少它，这才是这套设计真正的价值。