AI智能評分相差甚遠(yuǎn) 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(shí)，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(jìn)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(dòng)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(jì)合適的評測算法與模型。”天津大學(xué)智能與計(jì)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(jī)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(huì)大量運(yùn)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(gè)重要分支，研究利用計(jì)算機(jī)對自然語言進(jìn)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(gè)層級”熊德意強(qiáng)調(diào)，這些基本的自然語言處理技術(shù)經(jīng)常被運(yùn)用到下游的多種自然語言處理任務(wù)(如機(jī)器翻譯、對話、問答、文檔摘要等)中，自動(dòng)閱卷中的語言文字評測通常涉及這7個(gè)層級的若干層。

設(shè)計(jì)自動(dòng)評測指標(biāo)的方法有多種，通常會(huì)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(jìn)行翻譯題的自動(dòng)評判，可以讓老師事先寫好多個(gè)參考譯文答案，然后把學(xué)生的答案和參考答案進(jìn)行類比。計(jì)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(jī)器翻譯常用的評測指標(biāo)BLEU，就是基于參考譯文和機(jī)器譯文之間的N-grams(N元)匹配度計(jì)算相似度的。

一個(gè)單詞是一元，兩個(gè)相連的單詞是二元，還有三元、四元，如果答案中有一個(gè)單詞與參考答案中的單詞一致，那么就會(huì)給出一個(gè)一元評分，類似地可以計(jì)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(gè)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(yuǎn)

此次AI閱卷翻車的導(dǎo)火索是一個(gè)歷史系的教授的學(xué)霸兒子在進(jìn)行歷史考試的時(shí)候只得到了50%的分?jǐn)?shù)，而她對兒子的答案進(jìn)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(jià)和機(jī)器評價(jià)為何有如此大的出入?

“這就是基于AI算法的自動(dòng)評測面臨的最大挑戰(zhàn)：如何與人工評價(jià)保持一致。應(yīng)對這個(gè)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(jìn)行自動(dòng)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(dòng)測評和自動(dòng)處理都要面對多樣性的挑戰(zhàn);比如如何設(shè)計(jì)一個(gè)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(dòng)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(diǎn)不同，相應(yīng)的算法模型都不一樣，因此最后的結(jié)果也會(huì)相差甚遠(yuǎn)。”

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(cái)富、商隊(duì)、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(gè)AI閱卷系統(tǒng)只使用了簡單的關(guān)鍵詞匹配，因此會(huì)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(jī)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(dòng)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(huì)下降很多。”熊德意解釋。如果機(jī)器“聽”錯(cuò)了一個(gè)單詞，而后機(jī)器進(jìn)行測評，就會(huì)形成一個(gè)錯(cuò)誤傳播，也就是上游系統(tǒng)的錯(cuò)誤會(huì)導(dǎo)致下一系統(tǒng)錯(cuò)誤，錯(cuò)上加錯(cuò)，越錯(cuò)越離譜，測評結(jié)果也會(huì)大相徑庭。

“目前有很多設(shè)計(jì)評測指標(biāo)的方法，還有很多改進(jìn)的方法，如在計(jì)算準(zhǔn)確率同時(shí)也計(jì)算召回率等。另外，還有對評測指標(biāo)進(jìn)行評測，即評測的評測，看看哪個(gè)評測指標(biāo)更完善，更和人的評價(jià)一致。”熊德意感嘆，自動(dòng)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(shí)候，從技術(shù)層面來說是一樣的，比如用機(jī)器評價(jià)一個(gè)譯文的好壞與用機(jī)器生成一個(gè)譯文的難度類似，用機(jī)器評判一個(gè)文檔摘要的好壞與用機(jī)器生成一個(gè)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(dòng)評測指標(biāo)通常是基于符號進(jìn)行計(jì)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(shí)數(shù)稠密向量的語義空間，利用語義向量計(jì)算相似度。哪怕說的詞語和計(jì)算機(jī)原本學(xué)習(xí)的不一樣，但是語義是一致的，機(jī)器就可以進(jìn)行精準(zhǔn)的評價(jià)。因此，基于深度學(xué)習(xí)的自動(dòng)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(gè)問題，就是需要大量的數(shù)據(jù)讓機(jī)器進(jìn)行學(xué)習(xí)。”熊德意解釋，將詞匯表大小維度的獨(dú)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(jìn)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(gè)帶有1750億個(gè)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(qiáng)大的語言表示能力，可以進(jìn)行多種任務(wù)，比如自動(dòng)翻譯、故事生成、常識推理、問答等，甚至可以進(jìn)行加減法運(yùn)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(diǎn)數(shù)存儲，需要700G的存儲空間，另外模型訓(xùn)練一次就花費(fèi)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(yuǎn)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(dòng)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(xiàng)選擇題答案，需要不斷檢查標(biāo)準(zhǔn)答案，這是很費(fèi)時(shí)的，自動(dòng)批閱系統(tǒng)幫助老師大大提高了效率;另外，自動(dòng)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(jì)出考試數(shù)據(jù)、錯(cuò)題數(shù)據(jù)等教學(xué)材料，幫助老師減負(fù)、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(dòng)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(shí)驗(yàn)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(jìn)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(jī)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(jìn)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(gè)非常重要的課題。”熊德意充滿信心地說，以后的AI自動(dòng)批閱系統(tǒng)肯定會(huì)越來越“聰明”，人工智能與教育的結(jié)合也會(huì)越來越緊密。（科技日報(bào)記者 陳曦）

關(guān)鍵詞： AI閱卷 評分系統(tǒng)