作文是否必須人類判閱？數據說下。

拉取全部作文手寫圖，OCR 放 Colab 內，A100 正常識別一篇手寫作文是 16 秒／篇，2-3 小時完成，換模型做了一輪校對。看上去差不多可用了就。
畢竟，AI 識別亂的，人類識別一樣會被噁心。

再 2-3 小時 Dots 內全部打分，指令和論壇一致，還是上萬字那個。
然後拉取平台內人類評分，交 AI 做分析報告，如下：

783 份作文：分數接近⋯⋯

基礎信息

兩個題目：議論文《說改過》，記敘文《原來你____在這裡》。同一次考試，同為 40 分，要求不少於 700 字。

資料來自三院 22 個行政班。名冊 816 人，有作文正文並能匹配兩套分數的 783 人；另 33 人沒有作文正文，不參與比較，更不是零分。783 份均有唯一匹配的人類作文分數。

本報告的文體按源題號分：16.1 為議論文，共 586 篇；16.2 為記敘文，共 197 篇。AI 實際採用的文體有 4 篇與源題不同，因此不能把 AI 的 582／201 直接當作試卷的題目分布。

AI 只看識別文字，沒有看原圖，不評書寫。議論文使用既有五十分量尺乘 0.8；記敘文使用 12／12／8／8 的建議量規，並非已核實與人工閱卷完全一致的官方細則。所以，這是一條「識別文字＋評閱指令＋AI判斷」工作鏈與人工分數的比較，不是純粹的模型智力賽。

本次 AI 評閱由 Suen-Dots 完成；模型名稱按任務方提供標示為 GPT-6 Astra。本報告未以獨立執行記錄核實具體模型版本、參數或 effort，不據此宣稱已比較不同模型。

分數對比

「平均分差」有正負，會互相抵消；「平均絕對分差」先把方向拿掉，再看每篇差多少。後者更接近學生實際面對的問題。

在本批資料裡，69.2% 的 AI 分數低於人類，27.8% 高於人類，只有 2.9% 完全相同。完全同分不是唯一目標，但誤差集中在哪裡、會不會改變判斷，必須說清楚。

容許分差

若把相近定為兩分內，只有 331 篇，42.3%。放寬到三分內，是 446 篇，57.0%。五分內雖有 646 篇，但五分已是滿分的八分之一，不能只因數字好看就叫它「準確」。這些是描述門檻，不是本次官方容許誤差標準。

另須分清：差「至少五分」是 154 篇，差「超過五分」是 137 篇。恰好五分的 17 篇同時包含在「五分內」和「至少五分」中，兩個口徑不能直接相減。

不同文體

議論文 586 篇中，472 篇的 AI 分數低於人類，占 80.5%；132 篇相差至少五分，占 22.5%。記敘文 197 篇中，117 篇 AI 分數更高，占 59.4%；相差至少五分的 22 篇，占 11.2%。

三分內一致率，議論文是 52.0%，記敘文是 71.6%。後者明顯較好，但「較好」不能直接換成「可以獨立登分」。它仍有兩成多篇目超出三分。

原因暫不能只歸到某一件事：議論文量規可能更嚴，識別文字可能損傷抽象論證，人工給分的尺度也可能不同。這些都是待核查的解釋，並非已證明的因果。

分數分段

人類給到 36 分及以上的 18 篇，AI 全部給得更低，平均低 6.22 分。它們沒有任何一篇被 AI 保留在 36 分及以上。反過來，AI 給出的 3 篇 36 分及以上，都不是這 18 篇。

若以 32 分作一條純分析用的切線：人類有 236 篇達到，AI 有 112 篇達到，其中共同達到的只有 49 篇；187 篇只有人類達到，63 篇只有 AI 達到。不是把整體平移一兩分，就能自然恢復原來的判斷。

這裡的切線不是另立等第，更不是建議按它處置學生。按人類分數分組，本來就會帶入選擇與回歸效應；尤其低分組只有 8 篇，高分組只有 18 篇，不能拿來概括所有考試。但本批高分作品的分歧確實存在，應列入優先覆核。

相關分析

全部 783 篇，Pearson 相關為 0.461，Spearman 等級相關為 0.294。前者看兩套分數的線性聯動，後者更關心高低排序。都不是「準確率」。

分文體看，議論文的等級相關為 0.318，記敘文為 0.469。這至少提醒我們：不能一面承認總分有偏差，一面就假定名次大致不變。排名是否可靠，也需要單獨核查。

而「穩定」是另一個尚未回答的問題。目前沒有同一模型對同一文本多輪獨立打分，也沒有多位教師對同一批文本的盲評。一次相關不能證明重複評分穩定，更不能估出人類自身分歧的上限。這個報告回答的是本次兩套分數差在哪裡，不替缺少的實驗補結論。

三院差異

元培的絕對分差較大，行知較小。但三院的文體比例、作文表現、人類評分尺度、掃描與識別條件都未被控制。這不是學院教學質量排名，也不是某一組閱卷教師「更準」的證明。

之前 70 份只來自兩個教學班，平均絕對分差 2.15 分，兩分內一致率 61.4%；擴展至全體後，分別變成 2.98 分、42.3%。不是模型在這一刻突然退步了，而是原先那 70 份並非全體的隨機代表。小樣本用來試流程可以，用來替全體宣布效度，就早了。

可能問題

以下不是重新打分，而是把已有評語與分數放回同一張桌上。

前三篇的重要處，不是已經證明 OCR 導致全部分差，而是 AI 自己的評語已明示：現存文字不足以還原完整原稿。這時候仍給出的數字，只能表示對殘存文本的候選判斷，不能無縫變成學生原作的成績。

「疑似識別錯字不另扣分」還不夠。即使沒有單列錯字扣分，缺失的論據仍會讓材料分下降，混接的句子仍會損傷結構和語言。技術損耗可以繞過錯字項，進到其他維度裡。這正是需要核查的地方。

本報告沒有重新看這些原圖，不能據此裁定誰對誰錯。下一步應用校正後的同一文本盲評，再看分差是否縮小。先把輸入修對，再談評分模型的高下。

文本髒淨

既有評語中，有 202 篇被「缺失、截斷、嚴重、混接、無法推斷」等關鍵詞標出。這份清單可以幫忙定位，卻不是人工確認的 OCR 錯誤清單；沒有被標出的 581 篇，也不能叫作「乾淨文本」。

排除 202 篇候選，平均絕對分差只是從 2.98 降至 2.82 分。其餘 581 篇仍有 101 篇相差至少五分，不能把整體問題全部交給 OCR 背鍋。

分文體再看：議論文候選 147 篇的絕對分差為 3.86，其他 439 篇為 2.93；記敘文候選 55 篇為 2.39，其他 142 篇為 2.47。候選標記並非在兩種文體都對應更大的絕對分差，更不能把它直接當作損傷程度。

這是敏感性分析，不是修復實驗。標記來自同一批 AI 評語，可能帶入評閱者本身的判斷，也可能漏檢或誤命中；兩組的人類分數分布不同。它能說明「排除候選後，結論是否改變」，不能估算「OCR造成了多少分差」。33 份缺正文、4 份文體差異與這 202 份是不同口徑，不能混為一談。

四篇不一

源題號與實際文章可以不一致：學生可能選錯格，也可能寫偏題，轉寫本身也可能損壞題頭。現在能確認的是差異，不能只憑哪套分類更順眼就覆蓋另一套。

本報告按源題號統計，保留 AI 採用量規及覆核標記，不改原分。即便暫時排除這四篇，剩餘 779 篇的平均絕對分差仍為 2.98 分，整體結論沒有被四個例外撐起來。

有限診斷

做了一個有限的診斷：只估計每種文體的平均偏差，不改變原分，不回寫成績。把資料按匿名編號的固定雜湊分成五組，每次只用其他四組估計偏移，再對留下的一組計算分差。

這個交叉驗證式偏移診斷，平均絕對分差從 2.98 降到 2.30 分，均方根分差從 3.69 降到 2.84 分；兩分內的篇數從 331 增到 409，即 52.2%；至少五分分差的篇數從 154 減到 55。

說明平均尺度偏差確實占了一部分，但不是全部。連這種只追平均偏差的辦法都還有近一半超過兩分，更不能把「議論文統一加 2.69」拿去當最終方案。

這仍是同一次考試內的探索，跨班相關、量規差異與資料選擇都還存在；沒有證明它對下一次考試有效。真正的校準應先固定量規和評語證據，再用未參與調整的新卷驗證。不能看完答案再把模型調到像答案，最後宣布模型原本就準。

繼續磨刀

一，原分不動，先建立覆核清單。 154 篇大分差、4 篇文體不一致，以及已明示正文損壞的候選篇目優先。這些集合可能重疊，不相加當作總量。大分差是定位線索，不是錯分證據。

二，分開識別和評分兩個問題。 對抽取的高分、中段、低分與兩種文體，準備經確認的純文本。用同一指令分別評現有識別稿與校正稿。只在輸入改變時比較分數，才知道校對到底救回了多少判閱信息。

三，量規對齊，不靠一句「像人類」。 先確認本次人工尺度，尤其議論文論據與論證要求、記敘文題意和敘事完成度。將可接受的等價表現寫清楚，不額外獎勵口號，不以術語數量代替內容，不把 AI 偏好的文章當成唯一好文章。

四，盲評，而不是對著人類分數改評語。 人類分數只用於事後對比；新一輪評閱不把它輸入模型。同一文本重複評閱，多位教師抽樣獨立核查，才能區分模型不穩、人工差異和輸入損耗。正式成績仍由有權教師確認。

五，驗收門檻先寫，結果出來再算。 可以討論兩分內、三分內、關鍵分數段誤判、大分差比例，但門檻應由教學需要決定，不是由哪個數字比較漂亮決定。新一輪必須同時報分文體結果，不只報一個總平均。

我想要的不是一個永遠說「需人工」的系統，也不是一個每篇都能自信吐出分數的系統。要的是能省下人不必做的重複勞動，同時把真正影響判斷的地方留給人。這批數據已經把下一步指得很清楚：不是再湊一次全量完成，而是把分歧查清楚。

數字口徑

分差固定為 AI 減人類；正值表示 AI 較高，負值表示 AI 較低。平均絕對分差為每篇分差絕對值的均值；均方根分差對大差距更敏感。百分比以相應組別的有效篇數為分母，顯示值四捨五入，原分未取整。

人類分數來自本次 22 班官方題分匯出；AI 分數來自已保存的文字評閱候選結果。上游已核對身份、題號、滿分及來源雜湊，本報告重新計算了所有主要統計，沒有修改學生分數。班級與學生逐份對應在受限管理頁查看，本報告不含姓名、學號、原圖或作文全文。

人評在此是比較基準，不是已驗證的無誤真值。缺少人類雙評一致性、同模型重複評閱、經人工確認的全量文字真值，以及與人工完全一致的量規證據。因此不能由目前分差單獨算出 OCR 準確率、模型獨立能力或正式評分可靠度。成本和耗時也沒有完整逐篇記錄，本報告不補造。

資料截點：2026 年 11 月 12 日。本報告僅描述這次考試，不把它外推成所有作文、所有模型或所有教師的結論。

如上，如是。
參照之前這篇內分差等：

個人觀點，作文和其他考題，人類，可以不閱了⋯⋯