基于DeepSeek的智能評分：效度、信度與可行性研究

一、問題提出

長期以來，傳統(tǒng)人工評價在教育評價中占據(jù)主導地位。然而，隨著教育規(guī)模擴張和評價需求復雜化，人工評價的局限性日益顯現(xiàn)。1]人工評價不僅耗時費力、成本高昂，且易受評價者主觀因素影響，難以保證評價的客觀性、公正性和一致性，制約了教育評價的整體效能。

近年來，以ChatGPT為代表的生成式人工智能技術(shù)對各行各業(yè)產(chǎn)生了深遠影響，教育領(lǐng)域也不例外。[2]自然語言處理（NLP）、機器學習（ML）等人工智能技術(shù)在文本分析、模式識別等方面取得了顯著進展，為教育評價的自動化、智能化提供了技術(shù)支撐。3]其中，智能評分作為一種新興的教育評價手段，受到了越來越多的關(guān)注［4]它利用計算機程序?qū)ξ谋具M行自動分析和評估，能夠快速、客觀地給出評分結(jié)果，具有高效、經(jīng)濟、可擴展等優(yōu)勢，為解決傳統(tǒng)人工評價面臨的困境提供了新的解決方案。2025年政府工作報告提出“持續(xù)推進‘人工智能’ + 行動”，并將“支持大模型廣泛應(yīng)用”首次寫入報告。5］這表明國家層面高度重視人工智能技術(shù)的發(fā)展和應(yīng)用，也為本研究提供了重要的政策背景和發(fā)展機遇。

在眾多大語言模型中，DeepSeek作為國內(nèi)自主研發(fā)的大規(guī)模語言模型，具有多項技術(shù)優(yōu)勢。Deep-Seek-R1在后訓練階段大規(guī)模使用了強化學習技術(shù)，在極少標注數(shù)據(jù)的情況下，極大提升了模型推理能力。在數(shù)學、代碼、自然語言推理等任務(wù)上，性能比肩OpenAIo1正式版。[6DeepSeek-R1與o1定位相似，但其開源屬性和低成本API提供了更高性價比，較低的技術(shù)門檻便于社區(qū)二次開發(fā)，特別是完整公開的“推理鏈”機制，為科研人員理解模型邏輯提供了獨特優(yōu)勢。7]與國際主流模型相比，Deep-Seek在中文語義理解、學術(shù)文本評估和教育場景適應(yīng)性方面具有獨特優(yōu)勢，且支持本地化部署，有助于保護數(shù)據(jù)安全和隱私。［8]本研究選擇DeepSeek 作為研究對象，旨在通過將DeepSeek的評分結(jié)果與專家評分進行系統(tǒng)對比分析，深入考察DeepSeek在教學創(chuàng)新報告評價中的效度、信度及應(yīng)用價值，全面揭示其在文本評分方面的優(yōu)勢與局限性，為智能評分技術(shù)在高等教育領(lǐng)域的科學應(yīng)用提供實證參考和理論依據(jù)，并深入探索國產(chǎn)大語言模型在教育評價領(lǐng)域的應(yīng)用潛力，為“人工智能+”教育提供本土化解決方案。

二、文獻回顧

智能評分作為一種新興的教育評價手段，其研究歷史可以追溯到上世紀六十年代。早期的智能評分系統(tǒng)主要基于簡單的詞匯統(tǒng)計和語法規(guī)則，對文本進行淺層分析和評估。9隨著計算機技術(shù)的不斷發(fā)展，機器學習技術(shù)逐漸被引入到智能評分領(lǐng)域?；跈C器學習的智能評分系統(tǒng)能夠自動學習文本的特征，并建立評分模型，從而提高評分的準確性和可靠性。近年來，深度學習技術(shù)的突破性進展為智能評分帶來了新的機遇?；谏疃葘W習的智能評分系統(tǒng)能夠自動學習文本的深層語義特征，從而更加準確地評估文本的質(zhì)量。

在國外，智能評分的研究和應(yīng)用已經(jīng)相對成熟。Shermis和Burstein（2016）對智能評分領(lǐng)域的研究進行了元分析，結(jié)果表明智能評分在整體上具有較高的效度和信度，能夠有效地輔助人工評價。[0]Zhai和Ma（2023）通過元分析發(fā)現(xiàn)，自動化寫作評估對寫作質(zhì)量具有顯著的積極影響，尤其對非英語母語學習者和議論文寫作效果更佳。[1］許多商業(yè)化的智能評分系統(tǒng)，如e-rater、Criterion等，已經(jīng)被廣泛應(yīng)用于各種教育考試和寫作教學中。這些系統(tǒng)不僅能夠提供評分結(jié)果，還能夠為學生提供個性化的寫作反饋，幫助他們提高寫作水平。

在國內(nèi)，智能評分的研究和應(yīng)用起步較晚，但近年來也取得了顯著進展。江進林和陳丹丹（2021）對國內(nèi)外英語作文、英/漢翻譯和英語口語自動評分研究的發(fā)展脈絡(luò)進行了回顧，并對各項技術(shù)的優(yōu)勢和不足之處進行了評價。他們指出，當前智能評分研究面臨的困難和挑戰(zhàn)包括：如何提高智能評分的準確性和可靠性，如何應(yīng)對智能評分在應(yīng)用過程中可能出現(xiàn)的倫理和社會問題等。[12]隨著人工智能技術(shù)的不斷發(fā)展，智能評分的應(yīng)用范圍也日益擴大。王冠和魏蘭（2024）探討了人工智能大模型技術(shù)在教育考試全題型閱卷中的應(yīng)用，結(jié)果表明人工智能大模型技術(shù)在閱卷速度、輔助定標成效、AI評分質(zhì)量等方面均得到有效驗證。[13]宛平等（2024）構(gòu)建了一個生成式人工智能支持的人機協(xié)同評價實踐模式，并以上海市H大學開展的基于問題解決的主觀作業(yè)評價活動為例，解釋了如何應(yīng)用生成式人工智能支持人機協(xié)同評價。［14]

盡管智能評分具有諸多優(yōu)勢，但其信度問題仍然備受關(guān)注。白麗芳和王建（2018）以“中國學習者英語語料庫”中的大學英語四、六級考試作文為研究樣本，比較了專家評分和國內(nèi)某自動評分系統(tǒng)結(jié)果的差異，結(jié)果顯示自動批改系統(tǒng)整體評分效度有待提高，機器所依賴的語言類量化特征在人工批改中的作用有限，評分依據(jù)的不同造成兩者結(jié)果的差異。［15]何屹松等（2018）通過實驗探索了人工智能評測技術(shù)在人工網(wǎng)上評卷質(zhì)量監(jiān)控中的應(yīng)用及其他相關(guān)應(yīng)用。實驗結(jié)果表明，智能閱卷基本上達到了與評卷教師相當?shù)乃?，且始終采用統(tǒng)一的評分標準，更具客觀公正性，能為人工網(wǎng)上評卷提供有效的質(zhì)量監(jiān)控［16]孫海洋和張敏（2020）對比了訊飛口語自動評分系統(tǒng)和專家評分員對學生的口試任務(wù)錄音的評分結(jié)果，發(fā)現(xiàn)機器對不同類型的口試任務(wù)的評分存在顯著的偏差，機評和人評以及專家評分員之間的嚴厲度均有顯著的差異。17]陸俊花（2022）以英語學習者故事復述評分為例，比較了人工智能背景下智能評分與專家評分的效度，結(jié)果表明人工評閱得分均值和機器評閱得分高度一致且無顯著差異。［18]王偉和趙英華（2023）基于多次CET-SET模擬考試智能評分技術(shù)實驗數(shù)據(jù)，探討了智能評分技術(shù)與專家評分相結(jié)合的人機協(xié)同評分質(zhì)量控制方法的可行性。研究發(fā)現(xiàn)，不同定標方式下，計算機評分結(jié)果穩(wěn)定、可靠；整卷評分方式下，計算機智能評分可作為一評或第三評質(zhì)檢；在不同任務(wù)維度上，對不同題型任務(wù)可靈活選擇不同評分方式。[19]

為了提高智能評分的效度，研究者們不斷探索新的技術(shù)和方法。楊麗萍和辛濤（2021）從能力測量視角出發(fā)，探討了寫作自動化評分研究的核心問題。他們認為，寫作自動化評分體系的建構(gòu)需要以寫作評價標準為依據(jù)，建立具備解釋性的特征體系，突破擬合專家評分的局限，從分數(shù)預測模型拓展到能力測量模型，探索寫作各能力維度的評估模型。［20]肖國亮等（2023）提出了智能評分的研究和應(yīng)用框架，在文獻分析和實踐經(jīng)驗基礎(chǔ)上提出面向機器學習專家和面向領(lǐng)域評分專家的評價指標，形成一套智能評分應(yīng)用效果綜合評價方案。[21]

綜上所述，智能評分作為一種新興的教育評價手段，具有廣闊的應(yīng)用前景和巨大的發(fā)展?jié)摿?。然而，智能評分在實際應(yīng)用中仍然面臨諸多挑戰(zhàn)，例如如何提高評分的準確性和可靠性，如何應(yīng)對智能評分在應(yīng)用過程中可能出現(xiàn)的倫理和社會問題等。因此，需要對智能評分的效度、信度和可行性進行系統(tǒng)而深入的研究，為智能評分在教育領(lǐng)域的應(yīng)用提供科學的依據(jù)和指導。

三、研究設(shè)計

（一）研究方法

本研究主要采用量化研究方法，側(cè)重于對評分數(shù)據(jù)進行精確測量和統(tǒng)計分析。我們將運用相關(guān)性分析、t檢驗、分位數(shù)比較等統(tǒng)計方法，采用SPSS28.0統(tǒng)計軟件進行數(shù)據(jù)分析，量化DeepSeek評分與專家評分之間的關(guān)聯(lián)程度和差異程度。這種量化分析的手段有助于我們更準確地評估DeepSeek的評分表現(xiàn)。

為了充分發(fā)揮智能評分在教育評價中的積極作用，并最大限度地減少其潛在風險，需要對智能評分的效度、信度和可行性進行系統(tǒng)而深人的研究。效度是衡量智能評分是否能夠準確反映被評價對象真實水平的關(guān)鍵指標。信度則關(guān)注智能評分結(jié)果的穩(wěn)定性和一致性?？尚行詣t需要綜合考慮智能評分在實際應(yīng)用中的效率、成本、公平性等因素。只有在充分了解智能評分的效度、信度和可行性的基礎(chǔ)上，才能合理地將其應(yīng)用于教育評價實踐，從而提升教育評價的整體質(zhì)量和效率。

（二）研究樣本

研究選取了某高校教學創(chuàng)新大賽中提交的240份創(chuàng)新報告（以下簡稱“報告”）作為研究樣本，覆蓋醫(yī)藥（ 42% 、理工（ 33% ）、人文社科（ 25% ）的不同教學主題，具有一定的代表性和多樣性。該賽事對報告有非常規(guī)范嚴格的要求，并附有成熟科學的評價指標，具有標準、穩(wěn)定的特征，作為研究對象是非常理想的研究材料。

為了確保研究的客觀性和公正性，所有報告均已匿名處理，以避免任何潛在的偏見。報告文本以電子文檔的形式保存，并按照統(tǒng)一的命名規(guī)則進行管理，以便后續(xù)的數(shù)據(jù)處理和分析。報告文本的內(nèi)容質(zhì)量直接影響DeepSeek模型的評分效果，同時，為了方便DeepSeek模型進行學習和評分，需要對報告文本進行預處理，仔細檢查和校對每一份報告，例如去除格式標記、糾正拼寫錯誤、確保其內(nèi)容完整、表達清晰等。

（三）數(shù)據(jù)收集

本研究進行了全面而嚴謹?shù)臄?shù)據(jù)收集與整理工作。數(shù)據(jù)來源于兩個方面：專家評審的分數(shù)和DeepSeek評審的分數(shù)。

本研究的報告分為三組，每組邀請了七位全國高校遴選的具有豐富教學經(jīng)驗和評審經(jīng)驗的專家進行線上評分。專家熟悉大賽的評分標準，獨立閱讀和評估每一份報告，給出相應(yīng)的分數(shù)。為了減少主觀因素的影響，研究采用了“去除最高分和最低分后取平均值”的方法，計算每份報告的專家平均分。這種方法可以有效降低個別專家評分偏差對最終結(jié)果的影響，提高評分的客觀性和準確性。

本研究采用DeepSeek提供的應(yīng)用程序編程接口（API）實現(xiàn)對報告的自動評分。首先，需要注冊并獲取DeepSeekAPI的訪問密鑰。然后，編寫Python腳本，利用requests庫構(gòu)建HTTP請求，將大賽的通知、評價指標和240份報告作為請求參數(shù)發(fā)送至DeepSeekAPI端點。程序?qū)⒀h(huán)遍歷所有報告，并解析 API返回的 JSON 格式數(shù)據(jù)，從中提取 Deep-Seek給出的評分結(jié)果，并將評分結(jié)果與對應(yīng)的報告編號存儲，以便后續(xù)的數(shù)據(jù)分析。

獲得兩組分數(shù)后，研究者認真檢查了數(shù)據(jù)，并將兩組數(shù)據(jù)以表格的形式保存，內(nèi)容報告：編號、報告名稱、評分、排名等，可以確保本研究的數(shù)據(jù)具有較高的質(zhì)量和可靠性。

四、研究結(jié)果

（一）效度分析

效度指的是測量工具是否準確地測量了它應(yīng)測量的內(nèi)容，換句話說，它反映了測量的結(jié)果與實際目標之間的吻合程度。在這組數(shù)據(jù)中，以下指標與效度相關(guān)：

1.相關(guān)系數(shù)（r）：相關(guān)系數(shù)反映了專家評分和智能評分之間的關(guān)系。它衡量了兩者之間的線性相關(guān)程度，因此可以用來評估智能評分系統(tǒng)是否能夠有效地模仿專家評分系統(tǒng)。根據(jù)對數(shù)據(jù)進行的統(tǒng)計分析，得到專家評分和智能評分兩組的描述性統(tǒng)計

經(jīng)過計算，本研究的相關(guān)系數(shù) r=0.848 ，該值表示智能評分和專家評分之間有較強的正相關(guān)關(guān)系，表明智能評分在一定程度上具有較高的效度。

2.評分差異的分布：評分差異的分析也可以部分反映效度。如果智能評分和專家評分之間的差異較?。ń咏悖?，這意味著智能評分系統(tǒng)能夠準確地反映專家評分的標準，進一步支持智能評分的效度。

圖1展示了智能評分與專家評分之間的差異分布：評分差異在0到1區(qū)間內(nèi)的柱子較高，這表示大多數(shù)評分的差異值都落在這個區(qū)間，表明智能評分與專家評分非常接近。評分差異的絕大部分在-4到3范圍內(nèi)，差異較大的情況較少。這種分布表明智能評分和專家評分之間具有很高的一致性，差異較小，且沒有顯著的偏倚。

3.評分一致性。按比賽規(guī)定，本研究將組內(nèi)排名前 30% 的報告標記為優(yōu)秀報告。專家評分識別出優(yōu)秀作品70件，智能評分識別出優(yōu)秀作品65件，其中兩者一致評為優(yōu)秀作品的有58件。那么，智能評分與專家評分在優(yōu)秀作品識別上的準確率達到了（58/65）=89% 。這意味著，智能評分系統(tǒng)在識別優(yōu)秀作品時，有 89% 的準確率與專家評分一致。

（二）信度分析

信度指的是測量工具在重復測量時的一致性或穩(wěn)定性。信度高的測量工具能夠在不同時間、地點或不同評估者之間得到一致的結(jié)果。在這組數(shù)據(jù)中，以下指標與信度相關(guān)：

從表2看，在所有分位數(shù)（ 25% 、 50% 、 75% ））上智能評分和專家評分之間的差異是負值，表示智能評分普遍高于專家評分。一致為負的評分差異可能表明智能評分系統(tǒng)中存在系統(tǒng)性偏差，即它傾向于略微高估評分。而且智能評分和專家評分的差異在 50% 和 75% 的分位數(shù)下，差異進一步減小，表示對于較高質(zhì)量或表現(xiàn)較好的項目（即位于較高分位數(shù)段的項目），智能評分更接近專家評分。這進一步說明智能評分和專家評分之間的差異較為微小，且不會對總體評分分布產(chǎn)生顯著影響。

2.t值與p值：配對樣本t檢驗的結(jié)果（例如t值和p值）主要用于評估評分差異是否顯著。如果p值較大（如 p= 0.035 ），說明智能評分與專家評分之間存在一定的顯著差異，可能意味著智能評分的信度較低。若t值接近零且 p 值較大，則表明評分系統(tǒng)在不同時間或不同評估者間的一致性較高。

本研究 t=0.57 ， p=0.23 ，且 pgt;0.05 ，意味著智能評分和專家評分之間不存在統(tǒng)計學意義上的顯著差異。

3.重測信度：本研究對DeepSeek進行了重測信度評估，以檢驗其評分結(jié)果的穩(wěn)定性。研究者間隔一周后，使用同一DeepSeek 模型再次對240份文本進行評分，并計算兩次評分間的相關(guān)系數(shù)。結(jié)果顯示，重測信度 r=0.893 ，這表明DeepSeek的評分結(jié)果具有較高的穩(wěn)定性，不受時間因素的顯著影響。

（三）可行性分析

本研究對DeepSeek自動評分系統(tǒng)的可行性進行了多維度評估，主要考察了其在效率、成本、公平性及用戶反饋等方面的表現(xiàn)。通過深人分析這些關(guān)鍵要素，旨在全面評估該系統(tǒng)在實際應(yīng)用中的潛力和優(yōu)勢。

1.效率分析。比較DeepSeek自動評分系統(tǒng)與專家評分所需的時間差異是至關(guān)重要的。結(jié)果表明，專家完成全部的評審任務(wù)用了10天時間（因其中兩位專家在規(guī)定的7天內(nèi)未能完成評審任務(wù)，故延長3天完成），DeepSeek完成一輪評審的時間不到兩個小時，表明其在處理評分任務(wù)時具有更高的效率和顯著的時間節(jié)約優(yōu)勢。這種效率優(yōu)勢使其適用于需要快速批量評分的場景，例如大規(guī)模教育考試或內(nèi)容審核。

2.成本分析。DeepSeek自動評分系統(tǒng)的使用能夠顯著降低評分成本。傳統(tǒng)的專家評分不僅需要支付專家的勞動報酬，還需要考慮到專家的時間消耗和勞動強度，而DeepSeek的評分系統(tǒng)則需要支付計算資源、算法開發(fā)及維護成本。但一旦系統(tǒng)投入運行，它能夠通過大規(guī)模的自動化評分降低整體評分成本，且隨著使用次數(shù)的增加，單次評分成本顯著低于專家評分。因此，從長遠來看，DeepSeek不僅提高了評分效率，還能夠節(jié)省人力成本，是一個經(jīng)濟高效的評分解決方案。

3.公平性分析。公平性是評估評分系統(tǒng)可行性的重要維度，尤其是在多樣化背景下。為考察DeepSeek的評分公正性，本研究設(shè)計了專門的測試，重點檢查系統(tǒng)是否存在對不同類型報告或作者的系統(tǒng)性偏差。結(jié)果顯示，DeepSeek在多個類別報告上的評分標準一致，未表現(xiàn)出顯著偏倚。這表明 Deep-Seek在評分過程中能夠保持較高的公正性，有效避免人工評分中可能存在的主觀偏差。

4.專家反饋。我們通過對參與評審的專家進行問卷調(diào)查，收集了他們對DeepSeek評分系統(tǒng)的看法和意見。調(diào)查結(jié)果表明，大多數(shù)專家對DeepSeek的評分效果表示認可，認為其能夠減輕他們的工作負擔，提高評分效率，使得他們能夠?qū)⒏嗟臅r間投入到其他關(guān)鍵任務(wù)中，并且肯定評分結(jié)果與專家評分相近。此外，專家們也普遍支持以后使用Deep-Seek協(xié)助開展評審。然而，也有部分專家提出了一些技術(shù)上的建議，主要集中在系統(tǒng)的易用性和某些特殊情況下的評分準確度問題。這些反饋為我們進一步改進系統(tǒng)提供了寶貴的參考。

5.技術(shù)易用性。技術(shù)易用性是評估DeepSeek系統(tǒng)實際可操作性的關(guān)鍵因素。盡管DeepSeek系統(tǒng)的開發(fā)和運行依賴于人工智能、自然語言處理及大數(shù)據(jù)分析等領(lǐng)域的專業(yè)知識，但隨著技術(shù)成熟，系統(tǒng)已提供簡化的用戶界面，降低了非專業(yè)用戶的操作難度。同時，DeepSeek的部署和使用過程相對簡便，用戶可通過網(wǎng)絡(luò)平臺直接訪問評分功能，無需復雜的技術(shù)安裝和維護。

綜上所述，通過對效率、成本、可行性的全面分析，DeepSeek自動評分系統(tǒng)在多個維度上展現(xiàn)了較強的可行性。其不僅能夠提高評分效率，降低成本，還能確保評分的公平性和準確性。同時，通過專家反饋，我們能夠發(fā)現(xiàn)并改進其在實際應(yīng)用中的問題，從而進一步提升系統(tǒng)的實用性和可靠性。

五、結(jié)論與展望

（一）結(jié)論

本研究旨在評估基于DeepSeek的智能評分系統(tǒng)在文本評價中的應(yīng)用效果，重點分析其效度、信度與可行性。通過與專家評分進行對比，本研究發(fā)現(xiàn)DeepSeek系統(tǒng)在評分的準確性和一致性方面表現(xiàn)出較高的效度，并且在評分過程中的信度也得到了較好的驗證。具體而言，DeepSeek的評分結(jié)果與專家評分之間呈現(xiàn)出較高的相關(guān)性，評分差異較小，且識別優(yōu)秀作品的準確率達到了 89% 。特別是在中國高校教學創(chuàng)新這一特定語境下，DeepSeek表現(xiàn)出優(yōu)秀的領(lǐng)域適應(yīng)性和文化敏感性，能夠準確理解中國教育背景下的創(chuàng)新理念和教學實踐。評分結(jié)果在學科多樣化背景下表現(xiàn)出較高的公平性，有效避免了人為偏倚。此外，該系統(tǒng)顯著提高了評分效率，為大規(guī)模評估節(jié)省了大量時間，并大幅降低了評分成本，經(jīng)濟效益顯著。專家反饋也證實，DeepSeek能夠有效減輕評審工作負擔。這表明，DeepSeek作為國產(chǎn)大語言模型在模擬專家評分方面具有較強的能力，為教育評價提供一種更客觀、高效的輔助手段，同時在支持國產(chǎn)大模型應(yīng)用創(chuàng)新方面具有示范意義。

（二）展望

盡管DeepSeek表現(xiàn)良好，但在實際應(yīng)用中仍然存在一些局限性。首先，DeepSeek系統(tǒng)的本地部署投入成本較高，尤其是在開發(fā)與維護階段。其次，DeepSeek在面對特殊情況或復雜文本時的表現(xiàn)可能會受到一定的限制，如無法推理圖片的內(nèi)容并做出判斷，且難以捕捉評分標準的細微差異，表明系統(tǒng)在某些任務(wù)或文本類型的評分上可能存在一定的誤差。最后，對于組織者和評審者而言，無差別熟練掌握人工智能技術(shù)本身也是一個挑戰(zhàn)。

未來研究應(yīng)致力于以下幾個方向：一是優(yōu)化DeepSeek的評分算法，提高其對復雜文本和特殊情境的識別能力，特別是加強多模態(tài)理解能力，使其能夠綜合分析文本與圖表內(nèi)容；二是開發(fā)更加友好的用戶界面和操作流程，降低技術(shù)使用門檻，使教育工作者能夠便捷地應(yīng)用智能評分工具；三是探索DeepSeek在更多元化教育評價場景的適應(yīng)性，如實驗報告、創(chuàng)新設(shè)計、跨學科項目等領(lǐng)域；四是建立健全的人機協(xié)同評價機制，充分發(fā)揮人工專家與智能系統(tǒng)各自優(yōu)勢，實現(xiàn)評價質(zhì)量與效率的雙重提升；五是加強數(shù)據(jù)安全與倫理規(guī)范研究，確保在推進智能評價普及過程中保護學生隱私和維護評價公平。通過這些努力，將有助于推動“人工智能 + ”在教育評價領(lǐng)域的深度融合與創(chuàng)新發(fā)展，為構(gòu)建更加科學、高效的教育評價體系提供有力支持。

參考文獻：

[1]SADLER D R. Indigestion and Regulation： AssigningMarks in Degree-Level Assessment[J].Assessmentamp; Evaluationin Higher Education，2009（5）：481-497.

[2]石秀選，李均.生成式人工智能技術(shù)賦能大 學學術(shù)評價：機遇、挑戰(zhàn)及應(yīng)對[J].高教探索，2024 （4）：5-13.

[3][9]PAGE EB.The Imminence ofGradingEssaysby Computer[J].The Phi Delta Kappan，1966 （6）：238-243.

[4][1O]SHERMIS M D，BURSTEIN J.Automated Essay Scoring：A Meta-Analysis and Synthesis of Recent Research[J].Journal of Educational Measurement，2016（3） ：249-274.

[5]https：//www. gov. cn/yaowen/liebiao/202503/ content_7010168.htm.

[6][8]GUOD，YANGD，ZHANGH，etal. Deepseek -rl： Incentivizing Reasoning Capability in Llms Via Reinforcement Learning[J].Arxiv Preprint Arxiv：2501.12948，2025.

[7]GIBNEY E.What are the Best AI Tools forResearch？ Nature’s Guide.Nature.2025 Feb 17.doi：10. 1038/d41586-025 -00437-0. Epub ahead of print. PMID：39962251.

[11]ZHAI N，MA X. The Effectiveness of AutomatedWritingEvaluation on WritingQuality：A Meta-Analysis[J]. Journal of Educational Computing Research， 2023（4）：875-900.

［12]江進林，陳丹丹.主觀題自動評分研究：回顧、反思與展望[J].中國外語，2021，18（6）：58-64.

[13]王冠，魏蘭.人工智能大模型技術(shù)在教育考試全題型閱卷中的應(yīng)用[J].教育測量與評價，2024，（3）：3-18.

[14]宛平，顧小清.生成式人工智能支持的人機協(xié)同評價：實踐模式與解釋案例[J].現(xiàn)代遠距離教育，2024（2）：33-41.

[15]白麗芳，王建.人工和機器評分差異比較及成因分析[J].外語測試與教學，2018（3）：44-54.

[16]何屹松，孫媛媛，汪張龍，竺博.人工智能評測技術(shù)在大規(guī)模中英文作文閱卷中的應(yīng)用探索[J].中國考試，2018（6）：63-71.

[17]孫海洋，張敏.英語口語機器評分和人工評分的對比研究[J].外語研究，2020，37（4）：57-62.

[18]陸俊花.人工智能背景下機器評分與人工評分的效度比較：以英語學習者故事復述評分為例[J].成都師范學院學報，2022，38（3）：84-92.

[19]王偉，趙英華.人機協(xié)同評分質(zhì)量控制方法[J].外語學刊，2023（4）：97-104.

[20]楊麗萍，辛濤.人工智能輔助能力測量：寫作自動化評分研究的核心問題[J].現(xiàn)代遠程教育研究，2021，33（4）：51-62.

[21]胡國平，竺博，盛志超，嚴峻.人工智能在教育評測領(lǐng)域的實踐[J].信息技術(shù)與標準化，2017，（11） ：27-29.

（責任編輯 劉第紅）