一场波及180万考生的"屏幕阅卷"灾难
6月13日，印度中央中等教育委员会（CBSE）公布2026届毕业考成绩。德里考生韦丹特查完成绩，愣住了：物理65分，远低于预期。他申请复核，拿到的答卷扫描件，不是自己的笔迹。
这不是个案。成绩公布后短短一周，超过40万名学生涌入CBSE申请答卷核查——相当于全部考生的五分之一以上。这是印度首次把毕业考全面搬上"屏幕阅卷"：所有答卷扫描上传，由教师在电脑上评阅。一场旨在提效的技术升级，演变成波及180万考生的灾难。
官方承认存在"答卷错配"，承诺为受影响学生重估分数。但重估过程被指标准混乱：有人分数上调30分，有人被改成满分状元，有人分毫未动。同一场考试，三种命运。
如果被"调包"的是你孩子的成绩单
这一幕离我们并不远。国内大型考试，扫描阅卷早已是常态；AI直接参与评分，也不再是科幻——ETS的自动评分系统给托福作文打分已二十年，国内部分作文考试也在试点机器评分。
想象一下：孩子十二年寒窗换来的成绩单，被一个流程bug或一行代码改写。复核通道能找回多少？印度用40万份申请回答了这个问题——当"系统不会错"的信任崩塌，每个人都只能靠自己死磕。
更让人不安的是：连"人坐在电脑前看扫描件"这种最温和的数字化，都能出这么大事故；而"让AI直接给作文打分"，正在全球高校和中学悄悄试点。自动评分，到底靠得住吗？
数据与研究：AI评分到底行不行，四篇论文给出证据
先把事件的规模摆出来。
22%的考生在成绩公布一周内就发起复核——这不是个别家庭对分数的执念，而是系统性不信任的信号。而5月的医学院入学考试（NEET-UG）又爆出泄题：228万考生的"医学梦"，被一张传遍社交媒体的答案卷动摇。技术想解决的"公平"，反而以另一种方式被击穿。
那么，AI直接评分，证据怎么说？我们检索了2026年最新的四项研究。
第一项：自动评分在中学会考上的可行性。Frontiers in Education 7月29日发表的Olaoye团队研究，直接拿中学毕业考（SSCE）经济学试题做实验：AI软件自动评分，与12位人类专家比对，相关性显著，软件信度Cronbach α=0.86。作者结论：在"标准明确的题目"上，自动评分可以做到和人类高度一致。
第二项：AI给自己都打不出稳定的分。The Law Teacher 7月29日发表的MarkGPT试点（Sneddon），用定制GPT给法学论文评分，与模块团队的人工评分对比。结论耐人寻味：
"截至2025年夏天，ChatGPT缺乏与自身保持一致的能力，也缺乏与人类评分员保持一致的能力。"同一篇作文，让AI评两次，分数都可能不一样；但AI生成的评语，主题上与人类评语高度重合。
第三项：评分标准（rubric）是决定性变量。土耳其研究者Taşçı的研究，让ChatGPT 4.0和DeepSeek R1评162篇英语作文，与两位人类评分员对比（人类双评达到近完美一致，作为基准）。两个关键发现：加入明确的评分标准后，AI与人类的一致性大幅提升；不同体裁差异显著——观点文一致性最高，议论文最弱。
第四项：把能力拆细，机器才够得着。2026年7月28日IJIEE的Firdausi团队，把"批判性思维"拆成FRISCO六维（聚焦、理由、推断、情境、清晰、综述），用深度学习给高中物理议论文评分，与人类评分达到强一致性。结论：结构越清晰，机器越可靠。
根因分析：机器评分为什么"挑食"
为什么机器评分如此"挑食"？四篇论文拼出一个共同机制：AI评分本质是模式匹配，不是理解。
议论文考的是"论证链"：前提是否支撑结论、推理有没有漏洞——这需要全局理解，恰是当前模型最弱的地方；观点文考的是"立场加理由"，句式套路化，模式匹配轻松拿下。所以体裁一变，一致性就从"高"掉到"低"。这是第一个机制。
第二个机制是高利害放大：假设系统准确率99%，在180万考生的考试里，就有1.8万人的分数可能有问题——1.8万个家庭，1.8段被改写的人生。低利害场景下可容忍的误差，在高利害考试里就是不可接受的。
第三个机制最容易被忽略：印度这次翻车，根子不在AI，而在流程。答卷扫描、上传、匹配，任何一个环节出错，都会造成"张冠李戴"。技术解决了"人评卷的主观性"，却引入了"流程的客观错误"——后者更隐蔽、更难自查。
第四个机制：反馈不等于分数。MarkGPT的评语和人类高度相似，但分数对不上——说明AI能"说出道理"，却算不准"该得几分"。把"给反馈"和"定分数"混为一谈，是很多试点翻车的共同原因。
方案：不是不用，是分层用
那自动评分是不是该一禁了之？四篇论文给出的答案更聪明：不是不用，是分层用。
第一层：AI初评 + 人工仲裁。机器先当"第一道筛子"，人类抽检并复核边界样本。Olaoye的研究本质就是"AI打分、专家比对"的可行性验证——它证明AI适合当筛子，不适合当终审法官。
第二层：评分标准先行。这是Taşçı的核心结论：rubric写得越细，人机一致性越高。很多AI评分翻车，是因为评分标准本身模糊——人类评委都各执一词，机器更学不会。把"什么样的作文得5分"写到可操作，是AI可靠的前提。
第三层：结构化拆解。Firdausi的FRISCO路径：不评"整体感觉"，评六个有明确定义的维度。批判性思维、论证质量这类高阶能力，只有拆成可判定的子项，机器才够得着。
第四层：分数归人，反馈归AI。MarkGPT的教训最值钱：AI的批注、点评、建议，做得和人类一样好；但最终分数必须由人复核决定。"AI助理 + 人类法官"，是目前证据支持的最优组合。
最后，所有部署AI评分的地方，都要做到三件事：公开错误率、保留复核通道、公示申诉流程。印度事件最大的教训不是"别用技术"，而是"用了技术却没有任何兜底"。
行动指南：三个可以立刻用上的教训
作为家长、学生或教育者，可以从这次事件里拿走三样东西：
- 成绩与预期出入大，第一时间走复核。印度40万人的教训是：在官方承认错配之前，谁都觉得"系统不会错"。你的坚持，可能就是那30分。
- 写作训练，优先练议论文。它是AI最难评、也最见真功夫的文体——论证链没法靠套路糊弄。在机器评分普及的时代，这是区分度所在，也是孩子真实能力的护城河。
- 教育者部署自动评分前，先过三关。拿往年真实试卷做样本验证、设计异常分数抽检、公开错误率。没有这三样，别上线。
技术走进考场是必然，但"分数即命运"的高利害场景，必须把最后的判断权留给人。机器可以当最勤快的助手，不该当一言九鼎的法官。