量子位 報(bào)道 | 公眾號(hào) QbitAI

GRE作文用了AI打分。

這原本不能算個(gè)新聞。

但由于美媒VICE發(fā)布的一項(xiàng)調(diào)查，這件事又成了熱烈討論的焦點(diǎn)。

VICE調(diào)查了美國的50個(gè)州，發(fā)現(xiàn)有至少21個(gè)州 (包括加州) 的教育系統(tǒng)，已經(jīng)把AI當(dāng)成作文打分的主要/第二主要工具，用在標(biāo)準(zhǔn)化考試?yán)铩?/p>

這21個(gè)州里，只有3個(gè)州表示，人類也會(huì)參與作文打分；余下18個(gè)州，只會(huì)隨機(jī)抽出5%-20%的作文，交給人類復(fù)核一下AI給的成績。

問題是，標(biāo)準(zhǔn)化考試常常作為選拔依據(jù)，左右人類前途。AI打分的話，命運(yùn)就在AI手里了。

這時(shí)，人們不免想起了GRE，這個(gè)20年前就開始用AI判作文的大前輩。

有有不少研究表明，包括GRE打分機(jī)器e-rater在內(nèi)，許多AI評(píng)判文章的機(jī)制，都有明顯的缺陷。

不過經(jīng)年累月，AI不但沒有被各種作文考試拋棄，反而越發(fā)受歡迎了。

于是，Hacker News網(wǎng)友開啟了激烈的討論，不到一日熱度便有了330+。 GRE：機(jī)器比人更偏愛中國考生

早在1999年，主辦GRE的美國教育考試服務(wù)中心 (ETS) ，就開始用e-rater給作文打分了。

跟據(jù)官方信息，這個(gè)自然語言處理 (NLP) 模型，評(píng)分標(biāo)準(zhǔn)有以下8條：

· 基于詞匯考量的內(nèi)容分析 (Content Analysis Based on Vocabulary Measures)

· 詞匯復(fù)雜度/措辭 (Lexical Comlexity/Diction)

· 語法錯(cuò)誤比例 (Proportion of Grammar Errors)

· 用法錯(cuò)誤比例 (Proportion of Usage Errors)

· 機(jī)械錯(cuò)誤比例 (Proportion of Mechanics Errors)

指拼寫錯(cuò)、大小寫錯(cuò)、標(biāo)點(diǎn)錯(cuò)等等技術(shù)問題。

· 風(fēng)格評(píng)論比例 (Proportion of Style Comments)

比如，某個(gè)短語出現(xiàn)過多，太短的句子過多，太長的句子過多等等。

· 文章組織和發(fā)展分 (Organization and Development Scores)

· 地道用語 (Features Rewarding Idiomatic Phraseology)

當(dāng)然，這只AI不止服務(wù)GRE。至少，托福和GRE一樣，也是ETS出品的考試。

至于這套算法的缺陷都出在哪，ETS官方就做過不少研究，且從不避諱研究結(jié)果。

在1999、2004、2007、2008、2012和2018年的作文里，都能發(fā)現(xiàn)AI給中國大陸考生的分?jǐn)?shù)，普遍比人類打分要高。

相反，在非裔美國人身上，AI常常比人類給分要低。在母語是阿拉伯語、西班牙語和印地語的考生那里，也有相似的情況。即便團(tuán)隊(duì)一直改進(jìn)算法，也沒有消除這個(gè)問題。

ETS的一位高級(jí)研究員說：

如果我們想讓算法對(duì)某個(gè)國家的某個(gè)群體友好一些，那就很可能會(huì)傷害到其他群體了。

再進(jìn)一步，分單項(xiàng)來觀察AI的打分情況。

會(huì)發(fā)現(xiàn)在全部考生里面，e-rater給中國大陸考生的語法 (Grammar) 和寫作技巧 (Mechanics) 分，整體偏低；

而在文章長度和復(fù)雜單詞的選用上，中國大陸考生的AI打分超過平均。最終，AI給大陸考生的總分，整體比人類打分更高。GRE作文滿分6分，AI比人類打分平均高出1.3分。

相比之下，在非裔美國人身上，AI比人類打分平均要低0.81分。以及，這只是平均數(shù)據(jù)，在許多考生那里，差異來得比這更劇烈。

不論是1.3還是0.81，在6分制的考試?yán)锒疾皇切?shù)字，可能嚴(yán)重影響考生的成績。

不止如此，MIT的小伙伴們開發(fā)過一個(gè)叫BABEL的算法，把復(fù)雜的詞句拼貼在一起，得出的文章沒有任何實(shí)在的意義，卻被GRE的線上評(píng)分工具ScoreItNow!打出了4分的好成績。

但ETS說，AI不是單獨(dú)判卷，每篇AI打分的作文，都有一個(gè)人類同時(shí)打分。然后，把人機(jī)打分之間的差異，交給第二個(gè)人類去判斷，得出最終的分?jǐn)?shù)。

所以，ETS認(rèn)為考生并不會(huì)受到AI缺陷的不利影響。

不過對(duì)比一下，傳統(tǒng)方法是兩個(gè)人類同時(shí)給一篇文章打分；而當(dāng)AI替代其中一人打分，相當(dāng)于這個(gè)人的職責(zé)變成了復(fù)核。

成本大概下降了不少，對(duì)結(jié)果的影響有多大就很難說，至少打分機(jī)制和AI參與之前有差別了。

另外，AI的存在不止影響評(píng)分，也直接影響考生的應(yīng)試策略。這些年，討好AI的攻略越來越多：

還好，GRE有人類和AI一起打分。

可還有許多考試是直接交給AI判作文的： 不止GRE算法有問題

比如，VICE調(diào)查發(fā)現(xiàn)，猶他州把AI作為主要 (Primary) 作文評(píng)分工具，已經(jīng)有些年頭了。

州內(nèi)的一位官員解釋了原因：

手動(dòng)打分除了耗費(fèi)時(shí)間之外，也是本州一項(xiàng)重大開支。

所以，用AI來為寫作評(píng)分，在降低成本的同時(shí)，能不能做到公平公正？

美國研究協(xié)會(huì) (American Institutes of Research，AIR) 是一間非盈利機(jī)構(gòu)，也是猶他州最主要的考試提供方。

關(guān)于交給AI打分的是怎樣的題目，AIR給出了一個(gè)范本：

這道題目是，看到一張海牛圖像，考生要寫出一個(gè)觀察 (A) ，和一個(gè)推理 (B) 。

而AIR每年都會(huì)做出一份報(bào)告，評(píng)估一些新題目的公平性。

評(píng)估的一個(gè)重點(diǎn)就是：女生和少數(shù)族裔學(xué)生，在特定考題上，是不是比男性/白人的表現(xiàn)要差。這個(gè)指標(biāo)叫做“差異試題功能 (DIF) ”。

報(bào)告顯示，2017-2018學(xué)年、三至八年級(jí)的寫作考題里，有348道題被判定為，對(duì)女生和少數(shù)族裔學(xué)生有輕微DIF；相比之下，對(duì)男生和白人學(xué)生有輕微DIF的題目有40道。

另外，還有3道題被判定為：對(duì)女生和少數(shù)族裔學(xué)生有嚴(yán)重DIF。這些題目會(huì)交由專門的委員會(huì)審核。

可能造成DIF的原因有多種，而算法偏見是大家最關(guān)心的因素。

一位來自猶他州的家長 (@dahart) ，占據(jù)了Hacker News討論版的頂樓。

他很不喜歡聽那些官員講“成本”。他覺得，教育本來就是費(fèi)時(shí)費(fèi)力的，不可能又快又便宜。

他說，孩子的作文是機(jī)器打分，全家不滿意AI給的分?jǐn)?shù)，愛人和孩子都會(huì)哭。

當(dāng)然，AI判作文也不止美國才有。

去年，《南華早報(bào)》說國內(nèi)已經(jīng)有6萬所學(xué)?？緼I批改作業(yè)，分布在全國各地。

其中，學(xué)生提交的英文作業(yè)，也是機(jī)器打分。作文批改系統(tǒng)來自酷句批改網(wǎng)，要理解文字的一般邏輯和意思，對(duì)作文的整體質(zhì)量做出像人一樣合理的評(píng)判，還要在寫作風(fēng)格、結(jié)構(gòu)、主題等方面給出建議。

據(jù)說，AI和人類教師對(duì)一篇作文的評(píng)分，在92%的情況下是一致的。

但從評(píng)論來看，同學(xué)們也像美國的小伙伴一樣，受了不少委屈：

這樣的情感，還是不分國界的。

參考資料：

https://www.vice.com/en_us/article/pa7dj9/flawed-algorithms-are-grading-millions-of-students-essays

https://www.washingtonpost.com/news/answer-sheet/wp/2016/05/05/should-you-trust-a-computer-to-grade-your-childs-writing-on-common-core-tests/

ETS發(fā)的許多NLP論文：

https://www.ets.org/research/topics/as_nlp/writing_quality/

— 完 —

閱讀原文