近期,总统直属国家教育委员会正在推动的高考引入论述题评价的讨论中,核心争议点是评分的公正性。在1分之差就决定录取与否的大学入学考试中,如果无法让人信服为何被扣分,就会引发公正性争议。甚至有人主张评分者之间的误差必须完全收敛为0。
评分的公正性当然必须得到保障。但要把误差降为0,就必须是有既定标准答案的考试。那与选择题没有区别。不妨看看海外主要国家的论述型大学入学考试评分体系。英国A-Level、法国高中毕业会考、中国高考、国际文凭(IB)都运行标准化的论述评分体系。它们并不预设论述只有唯一正确的分数。比起对1分之差的“可解释性”,它们通过制度实现的是无论谁来评分都能得出允许范围内一致分数的“可再现性”。
例如,IB评分员①每次考试都必须通过评分测试(即便去年是评分员,今年仍须重新通过测试);②用标准答卷进行评分练习以校准尺度;③每套答卷(10份为一单位)中随机放入标准答卷,一旦检测到错误便自动登出,该套答卷重新分配给其他评分员;④交叉评分出现分歧时由责任评分员最终裁定;⑤对结果有异议的学生可申请重新评分。这种层层机制使全世界的评分收敛于同一标准。中国高考也是两人评分后取平均,若两人分差超出允许范围,则由第三方和专家重新评分。今年有1290万人应考,受过训练的教师和教授在两周内完成了评分。50万人参加的韩国高考没有做不到的理由。
要降低1分的敏感度,评价的广度也须拓宽。高考语文只有一次考试便告结束,而IB语文则结合文本分析、比较论述、小论文和口头评价。外部评价采用盲评,内部评价则对教师评分结果由外部随机抽样进行复核与校正。通过多个时点、多种方式、多位评分者反复确认来提高测量的稳定性,分散1分的敏感性,使结果不会过度取决于一次考试或一个人的判断。多角度考试分数汇总的原始分与等级分会一并公布,但其公信力之高,以至于全球相当多的大学只使用经过多重交叉验证的等级分,而非细致的原始分。
当然,仅靠一致性并不能成就公正性。评分标准本身必须妥当。中国高考的作文评分标准中既有“创意”,也明确写有“思想的健康性”,因此无论多有创意,若被判定思想不健康便无法取得高分。英国A-Level则因被指知识量比思考力更占优势而面临改革压力。实际上,比较研究显示,即便同为论述题,对思考力测量的深度在各评价体系间存在明显差异。与一致的评分同样重要的是,妥当地确定“测什么”,这也是评价公正性的决定性因素。
世上没有完全公正的评价,只有力图设计更公正制度的努力。评分是一种游戏规则。若把高考时间延长一倍,名次就会改变。高考不仅测“知道什么”,还测“速度”,因此对因不会而没写出来和因时间不够而没写出来给出同样的分数。虽不公正却仍被接受,是因为对所有人适用同样的规则。论述评分亦然。借鉴经过验证的体系,无论由人还是AI来评分,只要经过标准答卷与误差校正这一标准化程序、建立一致的规则,评价的可信度就完全可以得到保障。
评价的公正性并非来自取消评分者的判断,而是来自设计出使该判断妥当且一致再现的制度。摆在国家教育委员会面前的本质选择,不是“误差为0”与“存在误差”之间的选择,而是隐藏误差的考试与承认误差并精细管理误差的考试之间的选择。世界主要国家的论述型大学入学考试体系早已选择了后者。






