GRE作文用AI打分,已经20周年了:AI给中国考生的分数,远高于人类打分

当年就有的算法偏见,现在还是修不好。

栗子 发自 凹非寺

量子位 报道 | 公众号 QbitAI

GRE作文用了AI打分。

这原本不能算个新闻。

但由于美媒VICE发布的一项调查,这件事又成了热烈讨论的焦点。

VICE调查了美国的50个州,发现有至少21个州 (包括加州) 的教育系统,已经把AI当成作文打分的主要/第二主要工具,用在标准化考试里。

GRE作文用AI打分,20周年了:AI给中国考生的分数,远超人类打分

△ 蓝=AI打分,浅蓝=有试点,红=无AI打分,桃红=看学区,灰=未回应

这21个州里,只有3个州表示,人类也会参与作文打分;余下18个州,只会随机抽出5%-20%的作文,交给人类复核一下AI给的成绩。

问题是,标准化考试常常作为选拔依据,左右人类前途。AI打分的话,命运就在AI手里了。

这时,人们不免想起了GRE,这个20年前就开始用AI判作文的大前辈。

GRE作文用AI打分,20周年了:AI给中国考生的分数,远超人类打分

有有不少研究表明,包括GRE打分机器e-rater在内,许多AI评判文章的机制,都有明显的缺陷。

不过经年累月,AI不但没有被各种作文考试抛弃,反而越发受欢迎了。

于是,Hacker News网友开启了激烈的讨论,不到一日热度便有了330+。

GRE:机器比人更偏爱中国考生

早在1999年,主办GRE的美国教育考试服务中心 (ETS) ,就开始用e-rater给作文打分了。

跟据官方信息,这个自然语言处理 (NLP) 模型,评分标准有以下8条:

· 基于词汇考量的内容分析 (Content Analysis Based on Vocabulary Measures)

· 词汇复杂度/措辞 (Lexical Comlexity/Diction)

· 语法错误比例 (Proportion of Grammar Errors)

· 用法错误比例 (Proportion of Usage Errors)

· 机械错误比例 (Proportion of Mechanics Errors)

指拼写错、大小写错、标点错等等技术问题。

· 风格评论比例 (Proportion of Style Comments)

比如,某个短语出现过多,太短的句子过多,太长的句子过多等等。

· 文章组织和发展分 (Organization and Development Scores)

· 地道用语 (Features Rewarding Idiomatic Phraseology)

当然,这只AI不止服务GRE。至少,托福和GRE一样,也是ETS出品的考试。

至于这套算法的缺陷都出在哪,ETS官方就做过不少研究,且从不避讳研究结果。

GRE作文用AI打分,20周年了:AI给中国考生的分数,远超人类打分

在1999、2004、2007、2008、2012和2018年的作文里,都能发现AI给中国大陆考生的分数,普遍比人类打分要高。

相反,在非裔美国人身上,AI常常比人类给分要低。在母语是阿拉伯语、西班牙语和印地语的考生那里,也有相似的情况。即便团队一直改进算法,也没有消除这个问题。

ETS的一位高级研究员说:

如果我们想让算法对某个国家的某个群体友好一些,那就很可能会伤害到其他群体了。

再进一步,分单项来观察AI的打分情况。

会发现在全部考生里面,e-rater给中国大陆考生的语法 (Grammar) 和写作技巧 (Mechanics) 分,整体偏低;

而在文章长度和复杂单词的选用上,中国大陆考生的AI打分超过平均。最终,AI给大陆考生的总分,整体比人类打分更高。GRE作文满分6分,AI比人类打分平均高出1.3分

相比之下,在非裔美国人身上,AI比人类打分平均要低0.81分。以及,这只是平均数据,在许多考生那里,差异来得比这更剧烈。

GRE作文用AI打分,20周年了:AI给中国考生的分数,远超人类打分

不论是1.3还是0.81,在6分制的考试里都不是小数字,可能严重影响考生的成绩。

不止如此,MIT的小伙伴们开发过一个叫BABEL的算法,把复杂的词句拼贴在一起,得出的文章没有任何实在的意义,却被GRE的线上评分工具ScoreItNow!打出了4分的好成绩。

GRE作文用AI打分,20周年了:AI给中国考生的分数,远超人类打分

但ETS说,AI不是单独判卷,每篇AI打分的作文,都有一个人类同时打分。然后,把人机打分之间的差异,交给第二个人类去判断,得出最终的分数。

所以,ETS认为考生并不会受到AI缺陷的不利影响。

不过对比一下,传统方法是两个人类同时给一篇文章打分;而当AI替代其中一人打分,相当于这个人的职责变成了复核。

成本大概下降了不少,对结果的影响有多大就很难说,至少打分机制和AI参与之前有差别了。

另外,AI的存在不止影响评分,也直接影响考生的应试策略。这些年,讨好AI的攻略越来越多:

GRE作文用AI打分,20周年了:AI给中国考生的分数,远超人类打分

△来自ChaseDream论坛@竹林中人

还好,GRE有人类和AI一起打分。

可还有许多考试是直接交给AI判作文的:

不止GRE算法有问题

比如,VICE调查发现,犹他州把AI作为主要 (Primary) 作文评分工具,已经有些年头了。

州内的一位官员解释了原因:

手动打分除了耗费时间之外,也是本州一项重大开支。

所以,用AI来为写作评分,在降低成本的同时,能不能做到公平公正?

美国研究协会 (American Institutes of Research,AIR) 是一间非盈利机构,也是犹他州最主要的考试提供方。

关于交给AI打分的是怎样的题目,AIR给出了一个范本:

GRE作文用AI打分,20周年了:AI给中国考生的分数,远超人类打分

这道题目是,看到一张海牛图像,考生要写出一个观察 (A) ,和一个推理 (B) 。

而AIR每年都会做出一份报告,评估一些新题目的公平性。

评估的一个重点就是:女生和少数族裔学生,在特定考题上,是不是比男性/白人的表现要差。这个指标叫做“差异试题功能 (DIF) ”。

报告显示,2017-2018学年、三至八年级的写作考题里,有348道题被判定为,对女生和少数族裔学生有轻微DIF;相比之下,对男生和白人学生有轻微DIF的题目有40道

另外,还有3道题被判定为:对女生和少数族裔学生有严重DIF。这些题目会交由专门的委员会审核。

GRE作文用AI打分,20周年了:AI给中国考生的分数,远超人类打分

可能造成DIF的原因有多种,而算法偏见是大家最关心的因素。

一位来自犹他州的家长 (@dahart) ,占据了Hacker News讨论版的顶楼。

他很不喜欢听那些官员讲“成本”。他觉得,教育本来就是费时费力的,不可能又快又便宜。

他说,孩子的作文是机器打分,全家不满意AI给的分数,爱人和孩子都会哭。

GRE作文用AI打分,20周年了:AI给中国考生的分数,远超人类打分

One More Thing

当然,AI判作文也不止美国才有。

去年,《南华早报》说国内已经有6万所学校靠AI批改作业,分布在全国各地。

其中,学生提交的英文作业,也是机器打分。作文批改系统来自酷句批改网,要理解文字的一般逻辑和意思,对作文的整体质量做出像人一样合理的评判,还要在写作风格、结构、主题等方面给出建议。

据说,AI和人类教师对一篇作文的评分,在92%的情况下是一致的。

但从评论来看,同学们也像美国的小伙伴一样,受了不少委屈:

GRE作文用AI打分,20周年了:AI给中国考生的分数,远超人类打分
GRE作文用AI打分,20周年了:AI给中国考生的分数,远超人类打分

这样的情感,还是不分国界的。

参考资料:

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发的许多NLP论文:

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

— 完 —

版权所有,未经授权不得以任何形式转载及使用,违者必究。