一万份作文交给AI初评，老师更该盯住分歧

这项研究基于两届全国测评、每届约5,000份150至200字的学生短文，设计AI辅助评分与人工复核流程。作者比较模型与人工评分在多个量规维度上的一致程度，并观察流程如何分配复核工作。

多数维度达到中高一致，系统还可把评分不一致的案例优先交给人工，尝试让专家时间用于更值得判断的答卷。研究来自真实测评场景，但一致性不等于评分没有偏差，也不自动证明及格决定公平；部署仍需持续监测模型与人工意见如何变化。