AI教育白皮书：批改的分工

本文性质： 观察 + 模型（Observation / Model）　证据标签： 观察 Observation／模型 Model／假设 Hypothesis／实证 Evidence

本篇涉及的证据类型：观察 Observation／模型 Model／假设 Hypothesis。凡属本院课堂观察与教学模型的部分，均不作效果承诺。

一台机器可以在两分钟内批完一个班的听写，分数、错词、统计都有。但批改这件事真正难的部分，不在判对错，而在决定哪一部分不该交给机器。

批改可以拆开分工，但不能整块外包

本院在北岸若干学校与机构的走访里看到，AI 批改的位置通常落在最容易量化的一端：拼写、单选、计算题的最终答案。这些确实能省下大量时间。问题出现在批改的后半段——教师把省下来的时间还给了行政，而不是还给学生。于是出现一个奇怪的结果：批改速度提高了一倍，学生拿到的信息没有变多。另一个反复出现的现象是自动化偏差：系统给出的评分会锚定教师的判断，即使教师本来觉得这篇作文不该是这个分，看完分数之后也会往那边靠。以上为走访观察，样本有限，没有对照设计。

三类任务：可自动、需抽样、必须人工

第一步，把作业按判什么分类，而不是按科目分类。第一类是可自动：答案唯一、判据明确，如拼写、计算、选择、填空、单词听写。这类交给机器，教师只看统计。第二类是需抽样：判据清楚但样本量大，如句型操练、语法改错。机器先批，教师每周抽十份复核，看有没有系统性偏差。第三类必须人工：判据涉及内容、逻辑、语气、是否真的回应了题目，如作文、读后感、口语表达。这类机器可以打草稿，但不能定分，也不能写评语。人工这一类的边界在哪里？本院给的一条线是：凡是评语要写到学生下一步做什么，就必须由人写。因为下一步取决于这个学生上一周做了什么，系统没有这段上下文。机器能指出第三段论证跳跃，但说不清这个学生是没想清，还是没敢写。

一张四栏分工表：任务、判据、处理方式、产出给谁

白皮书框架里给了一张四栏表，用于排分工，不用于评价教师。第一栏写任务名。第二栏写判据：对错、规范、还是内容。第三栏写处理方式：自动、抽样、人工。第四栏写这一步产出的信息给谁：给学生、给教师、还是只进档案。第四栏最容易被忽略，而它决定了批改有没有用。只进档案的批改，本质上是一次合规动作，学生不会因为它改变任何行为；反过来，一条能让学生当晚改一处句子的反馈，价值远高于十页统计。这张表是本院的工作框架，未经信效度检验，也不能当作教学质量的考核标准。

三条边界：不给总分、不代写评语、不把机器判断当记录

三条边界。第一，不给总分。自动评分在语言形式上与人工评分的一致性可以做得很高，但对内容深度与论证质量的判断弱，这一点在自动写作评价的综述里已有讨论。把形式分当成总分，学生会很快学会迎合形式，而这个代价要到两年后才看得见。第二，不代写评语。评语是师生之间的一次交流，机器写出来的评语即使措辞得体，也不含这个学生的具体信息，学生读两句就认得出来。第三，不把机器判断当记录。系统里的一条判断是教学参考，不是学生档案里的事实；凡是会影响分班、推荐、家长沟通的判断，必须有人复核，并留下复核人的名字。

今天就能开始

拿最近一次批改，把任务名、判据、处理方式、产出给谁四栏填一遍；第四栏填不出来的，这次先别交给机器。

本文依据

• 观察来源： 2023 年至今本院在北岸若干学校与机构的课堂走访与教师访谈，样本有限，未做对照设计。
• 模型出处： 四栏分工表与「评语必须由人写」的边界线，为本院教学模型，未见信效度检验。
• 待验证项： 批改环节的分工方式与学生的修改行为之间存在关联，为本院正在验证的假设，尚未排除教师投入度等共同因素。
• 外部文献： Shermis & Burstein (2013) 自动写作评价研究综述；Hattie & Timperley (2007) 反馈的作用机制；Skitka 等 (1999) 决策中的自动化偏差；Carless & Boud (2018) 反馈素养。