AI智能評分相差甚遠 真的靠譜嗎？

隨著人工智能的發(fā)展，有不少App都應(yīng)用了智能評分系統(tǒng)。但同時，也有不少家長吐槽英語跟讀App評分，英語專業(yè)八級水平的得分也只有80分。

除了應(yīng)用于口語語音智能評分，人工智能還被應(yīng)用于判卷上。不過，近日一款號稱服務(wù)于美國兩萬所學(xué)校的AI教學(xué)平臺卻翻車了，被“打臉”的就是搭載在平臺上的AI閱卷系統(tǒng)，學(xué)生們借助它的漏洞“裸考”就能輕松及格。之所以被學(xué)生們鉆了“空子”，是由于該系統(tǒng)只是通過關(guān)鍵詞進行評分，學(xué)生們只要借助題目中的“關(guān)鍵詞沙拉”，就能順利過關(guān)甚至獲得高分。

閱卷前需先設(shè)定評判標(biāo)準(zhǔn)

“自動測評打分、閱卷系統(tǒng)一般需要先設(shè)定評測的標(biāo)準(zhǔn)，而后根據(jù)設(shè)定的標(biāo)準(zhǔn)去設(shè)計合適的評測算法與模型。”天津大學(xué)智能與計算學(xué)部教授、博士生導(dǎo)師熊德意介紹，比如像口語測評打分，就需要機器去評判人的發(fā)音是否標(biāo)準(zhǔn)，所讀句子的重音是否正確，讀出的語句是否連貫流暢，連讀部分是否準(zhǔn)確等。這些都可能是評判的標(biāo)準(zhǔn)。

AI閱卷系統(tǒng)則涉及到對語言文字的評判，涵蓋很多方面，如語法、語義等，會大量運用到自然語言處理技術(shù)。

“自然語言處理是人工智能的一個重要分支，研究利用計算機對自然語言進行智能化處理，基礎(chǔ)的自然語言處理技術(shù)主要圍繞語言的不同層級展開，包括音位(語言的發(fā)音模式)、形態(tài)(字、字母如何構(gòu)成單詞、單詞的形態(tài)變化)、詞匯(單詞之間的關(guān)系)、句法(單詞如何形成句子)、語義(語言表述對應(yīng)的意思)、語用(不同語境中的語義解釋)、篇章(句子如何組合成段落)7個層級”熊德意強調(diào)，這些基本的自然語言處理技術(shù)經(jīng)常被運用到下游的多種自然語言處理任務(wù)(如機器翻譯、對話、問答、文檔摘要等)中，自動閱卷中的語言文字評測通常涉及這7個層級的若干層。

設(shè)計自動評測指標(biāo)的方法有多種，通常會根據(jù)不同的評判類型去選擇適合的方法。“比如閱卷系統(tǒng)若要進行翻譯題的自動評判，可以讓老師事先寫好多個參考譯文答案，然后把學(xué)生的答案和參考答案進行類比。計算它們的相似度作為學(xué)生答案好壞的評測指標(biāo)。”熊德意舉例說，機器翻譯常用的評測指標(biāo)BLEU，就是基于參考譯文和機器譯文之間的N-grams(N元)匹配度計算相似度的。

一個單詞是一元，兩個相連的單詞是二元，還有三元、四元，如果答案中有一個單詞與參考答案中的單詞一致，那么就會給出一個一元評分，類似地可以計算二元、三元、四元的評分。我們?yōu)椴煌O(shè)置不同權(quán)重，然后把得分統(tǒng)籌起來變成一個客觀值，得分越高就說明兩者之間的相似性越高。

為啥不同AI評分相差甚遠

此次AI閱卷翻車的導(dǎo)火索是一個歷史系的教授的學(xué)霸兒子在進行歷史考試的時候只得到了50%的分數(shù)，而她對兒子的答案進行評測后，覺得孩子的回答是基本沒有問題的。

同樣的答案，人工評價和機器評價為何有如此大的出入?

“這就是基于AI算法的自動評測面臨的最大挑戰(zhàn)：如何與人工評價保持一致。應(yīng)對這個挑戰(zhàn)需要解決的問題很多。比如如何制定合適的評測標(biāo)準(zhǔn)，主觀題進行自動評測必須要有合適的評測標(biāo)準(zhǔn)和規(guī)范;比如如何應(yīng)對語言的千變?nèi)f化，語言的多樣性是自然語言處理的主要挑戰(zhàn)之一，語言的自動測評和自動處理都要面對多樣性的挑戰(zhàn);比如如何設(shè)計一個綜合性的評測指標(biāo)，雖然目前有各種各樣的指標(biāo)，但是很少有指標(biāo)綜合考慮語言文字的方方面面，例如作文自動閱卷，可能要考慮用詞是否合理(詞匯)、句子是否流暢(句法)、段落組織是否有條理(篇章)、內(nèi)容是否扣題(語義、語用)等”熊德意說，上面提到的BLEU就是只考慮了單詞形式的嚴(yán)格匹配，沒有考慮單詞的形態(tài)變化、語義相似性、譯文的句法合理性等因素。

“遵循的評測規(guī)則、評判的出發(fā)點不同，相應(yīng)的算法模型都不一樣，因此最后的結(jié)果也會相差甚遠。”

因此僅僅利用一種評測方法顯然是不全面的，這也就解釋了當(dāng)孩子的母親嘗試在答案里加入“財富、商隊、中國、印度”等題目中的關(guān)鍵詞，即使這些關(guān)鍵詞之間沒有任何串聯(lián)，她也得了滿分。“可能這個AI閱卷系統(tǒng)只使用了簡單的關(guān)鍵詞匹配，因此會出現(xiàn)‘關(guān)鍵詞沙拉’也能蒙混過關(guān)的情況。”熊德意解釋。

此外，口語的人工測評與機器測評也存在較大出入。“近年來，語音識別性能雖然在深度學(xué)習(xí)技術(shù)的推動下取得了顯著的提升，但是在開放域、噪音環(huán)境下，這種識別率就會下降很多。”熊德意解釋。如果機器“聽”錯了一個單詞，而后機器進行測評，就會形成一個錯誤傳播，也就是上游系統(tǒng)的錯誤會導(dǎo)致下一系統(tǒng)錯誤，錯上加錯，越錯越離譜，測評結(jié)果也會大相徑庭。

“目前有很多設(shè)計評測指標(biāo)的方法，還有很多改進的方法，如在計算準(zhǔn)確率同時也計算召回率等。另外，還有對評測指標(biāo)進行評測，即評測的評測，看看哪個評測指標(biāo)更完善，更和人的評價一致。”熊德意感嘆，自動評測的難度和對應(yīng)的自然語言處理任務(wù)的難度，很多時候，從技術(shù)層面來說是一樣的，比如用機器評價一個譯文的好壞與用機器生成一個譯文的難度類似，用機器評判一個文檔摘要的好壞與用機器生成一個摘要的難度也差不多。

未來或可以應(yīng)用于評判閱卷

“傳統(tǒng)的自動評測指標(biāo)通常是基于符號進行計算的，現(xiàn)在，深度學(xué)習(xí)等AI技術(shù)也越來越多地應(yīng)用于測評工具中。”熊德意介紹，使用深度學(xué)習(xí)，可以把語言符號映射到實數(shù)稠密向量的語義空間，利用語義向量計算相似度。哪怕說的詞語和計算機原本學(xué)習(xí)的不一樣，但是語義是一致的，機器就可以進行精準(zhǔn)的評價。因此，基于深度學(xué)習(xí)的自動評測某種程度上可以應(yīng)對語言的多樣性挑戰(zhàn)。

“不過深度學(xué)習(xí)也有一個問題，就是需要大量的數(shù)據(jù)讓機器進行學(xué)習(xí)。”熊德意解釋，將詞匯表大小維度的獨熱向量壓縮映射到幾百維的稠密向量，神經(jīng)網(wǎng)絡(luò)需要通過大量數(shù)據(jù)訓(xùn)練，才能學(xué)習(xí)到較好的映射函數(shù)。

基于自監(jiān)督學(xué)習(xí)的預(yù)訓(xùn)練語言模型，近幾年，在語言表示學(xué)習(xí)中，取得了突破性的進展。“OpenAI的預(yù)訓(xùn)練語言模型GPT-3，在 5000億單詞的海量語料上訓(xùn)練了一個帶有1750億個參數(shù)的神經(jīng)網(wǎng)絡(luò)，通過大量學(xué)習(xí)網(wǎng)絡(luò)上各種語言的文本，GPT-3形成了強大的語言表示能力，可以進行多種任務(wù)，比如自動翻譯、故事生成、常識推理、問答等，甚至可以進行加減法運算，比如兩位數(shù)加減法100%正確，五位數(shù)加減法正確率接近10%”熊德意介紹，不過 這么龐大的神經(jīng)網(wǎng)絡(luò)，如果用單精度浮點數(shù)存儲，需要700G的存儲空間，另外模型訓(xùn)練一次就花費了460萬美元。因此，即使GPT-3具有較好的零樣本、小樣本學(xué)習(xí)能力，其高昂的成本使其離普遍可用還有很遠的距離。

但是AI作為閱卷評測“老師”，其又有人工不可比擬的優(yōu)勢。比如AI自動批閱卷系統(tǒng)相比人工批閱速度更快，老師不可能一次記住所有的多項選擇題答案，需要不斷檢查標(biāo)準(zhǔn)答案，這是很費時的，自動批閱系統(tǒng)幫助老師大大提高了效率;另外，自動批閱系統(tǒng)更加理性，不受外界條件干擾，不因疲勞等原因?qū)е抡`判。即使在復(fù)雜的干擾環(huán)境中，仍然可以得到正確的結(jié)果;AI閱卷系統(tǒng)還可以在評分后直接做好學(xué)情分析，統(tǒng)計出考試數(shù)據(jù)、錯題數(shù)據(jù)等教學(xué)材料，幫助老師減負、增效，幫助學(xué)生提高學(xué)習(xí)效率。

“將主觀題合理地客觀化(比如變成選擇題)，可以降低自動閱卷的難度。”熊德意表示，對無法客觀化的主觀題，雖然設(shè)定全面的評測標(biāo)準(zhǔn)比較難，但是設(shè)定某一方面的評測標(biāo)準(zhǔn)還是可行的，比如針對單詞詞法、句子語法的評判，目前準(zhǔn)確率還是挺高的，這類技術(shù)可以從實驗室走向產(chǎn)品應(yīng)用。

也可以引入人工評測，對AI閱卷系統(tǒng)打分進行復(fù)核與修正，通過這種反復(fù)的修正，累積大量的評測訓(xùn)練數(shù)據(jù)，讓機器評分變得更加智能。

“利用自然語言處理等人工智能技術(shù)，進一步完善主觀智能評分系統(tǒng)，將是未來教育領(lǐng)域的一個非常重要的課題。”熊德意充滿信心地說，以后的AI自動批閱系統(tǒng)肯定會越來越“聰明”，人工智能與教育的結(jié)合也會越來越緊密。（科技日報記者 陳曦）

關(guān)鍵詞： AI閱卷 評分系統(tǒng)