当评分标准改变时：批判性思维论文评分的跨评分标准泛化

一项新研究探讨自动论文评分中的跨评分标准泛化问题：训练模型在对未见过的评分标准进行评分。研究者采用大型语言模型微调框架，引入评分标准无关的中间表示（特质），并在训练时加入目标论文监督。在批判性思维论文数据集上，特质使最困难设置（目标评分标准和目标论文均未见）的macro F1提升5.0%。最佳微调开源Llama模型优于GPT-5-mini 2.1%，落后GPT-5仅1.9%。

此前自动论文评分主要关注跨提示泛化但评分标准固定；实际教育中评分标准常修订或新增。本研究首次系统解决评分标准变化场景，使模型能在不重新标注大量数据的情况下适应新标准，对教育评估落地有实质价值。

该框架通过提取标准无关的中间特质表示，并利用目标论文在已有标准下的标注进行受控监督，让模型学习评分标准间的通用特征。特质作为桥梁，使模型在训练时未见的目标标准上仍能输出合理评分。

教育评分产品（如写作练习平台、在线考试系统）可减少因评分标准变更导致的模型重新训练或人工标注成本；同时提升评分一致性，降低用户（教师或机构）的适配门槛。

• 为K-12或高等教育写作评估工具增加“跨标准评分”功能，允许教师自定义评分维度并自动适配。
• 开发面向教育科技公司的API，支持根据新评分标准快速调整评分模型，减少定制开发周期。
• 在现有自动论文评分系统中集成特质中间表示模块，提升对评分规则变化的鲁棒性。

• 该跨标准泛化方法在非批判性思维论文（如文章结构、语法）上是否同样有效？
• 特质表示是否需要由领域专家设计，还是可自动学习？
• 在不同语言或低资源场景下，性能是否稳定？
• 与直接微调整个模型相比，特质框架的成本优势具体如何？