自动评分

研究者提出条件概化理论框架，用于评估自动作文评分系统在不同文本复杂度条件下的可靠性差异，发现高熵文本需要更多评分条件才能保证准确性。

研究者提出跨评估框架，用人类专家标注数据测试前沿大模型在埃及和伊拉克阿拉伯语方言上的文化与社会语言学知识。结果显示，文化推理任务仍是自动评估的主要难点。

一项基于 32,534 份真实 GCSE 模拟考试学生答卷的研究发现，现成的大语言模型在评分上与考官共识高度一致，部分模型表现甚至优于考官间的相互一致性。