我用AI一上午改完了1500份历史主观题

上周五晚上十点多，我推开书房门，看见她还坐在电脑前，盯着“好分数”阅卷系统上的数字发呆。右手食指一下一下机械地敲着小键盘，左手一直在揉僵硬的后颈。

我凑过去看了一眼。她这次分到的是高一历史第 17 题，考的是秦朝如何塑造“秦人”认同。一共两道小问：第一问概括举措，6 分；第二问分析意义，也是 6 分。

▲ 两段文言与现代文交织的材料，两道 6 分主观题。

题目不算偏，可问题是，他们年级有 1300 多个学生。她分到的第一问有 1348 份，第二问 674 份——两问加起来整整 2022 个题块。

改过历史材料题的同行，肯定懂那种窒息感。

高一孩子的字千奇百怪，有的像蚂蚁爬，有的龙飞凤舞；答案更是五花八门，有的把文言材料从头抄到尾，有的车轱辘话来回绕，还有的完全不用历史术语，用大白话写了三四行。老师得眯着眼睛，在密密麻麻的一坨字里找“度量衡”“郡县制”“华夏认同”这些采分点。

改到四五百份的时候，眼睛发涩，脑子发木。但最折磨人的还不是累，而是作为一个老教师的心虚：

“我刚才第 150 份打的 4 分，跟现在第 400 份打的 4 分，尺度真的一样吗？手松一下手紧一下，孩子赋分后差出来的可能就是一个档次。”

看着她桌角泡凉了的茶和还剩下的近一千五百份待阅，我突然就在想：现在的 AI 连古籍都能读了，为什么我们当老师的，还要把大把的黄金时间和健康，耗在屏幕前做这种机械的人肉比对？

我把她的电脑合上，对她说：“你先去睡，别熬夜硬扛了。剩下的卷子，明天一早，我让 AI 来替你改。”

1

其实学校里早有年轻老师试过用 AI 改卷，但大多试了一次就摇着头放弃了。

问题往往出在评分要求没有说清楚：学生虽然写出了几条看似规范的历史结论，却没有紧扣设问，或把同一个采分点换着说法反复表述，AI 也可能误判或重复给分。

历史主观题讲究的是“采意给分”——学生没写出标准词但意思到了，得给分；把同一层意思拆成三句话来回说，不能重复给分。这种细微的学科尺度，不经过调教的普通 AI 根本摸不准。

所以周六一大早，我没有让 AI 直接上手，而是跟她一起坐在书房里，像备课组长带新来的实习助教一样，先给每道题写了一份严密的《阅卷铁律手册》（技术上叫专属 Skill）。

拿第（1）问“秦朝塑造秦人的举措”来说，官方参考答案只有短短两行字。但如果直接拿给 AI，肯定会乱套。于是我们把评分细则拆成了清清楚楚的“四步口袋”：

你看，这么一拆解，原本玄乎的“阅卷尺度”，就变成了一条条连机器都无法偷懒的硬规矩。

2

规矩立好了，能直接放手让它改上千份吗？绝对不行。在高考阅卷场上，正式开改前都得先“试评”，这叫校准尺度。

早饭后，我们先挑了几十份真实答卷让 AI 试改，像老考官一样盯着它的打分记录看：

第一份，有个学生用大白话写道：“让各个地方的人多往来，大家都有一样的身份。”       AI 判定：命中了第（2）问里的“民族交往”和“身份同质”，稳稳给出 4 分，理由写得清清楚楚。爱人看了一眼，点头说：“跟我心里判的一样。”

试评时，还应重点检查一种情况：学生把“措施”写成“意义”，或用几条意思相近的结论代替不同角度的分析。能否给分，要看它是否回答了设问、是否答出了不同要点，不能因为术语多、写得长就给高分。

甚至在试评和复盘核查时，还抓到了 AI 的一个小毛病：有一份卷子，AI 在理由里写着“文化共同体 2 分 + 国家认同 2 分”，结果最后输出总分时脑子一热填了 6 分。

“理由写得像模像样，算总分却算错了，这可不行！”

针对这个问题，我们在规则与核查环节专门锁定了一道“验算铁闸”：每一个小分加起来（按满分 6 分封顶后）必须等于总分，同一维度绝不允许超过 2 分，只要对不上，就在记录中筛出来重点复核。

就这样，经过试评校准，看着屏幕感慨“这给分尺度，比我改的还要稳”，心里的石头才算彻底落了地。

3

很多老师一听 AI 阅卷，第一反应是：“那我岂不是要把一千多份卷子一张张截图、发给 AI，再把分数一个个抄回好分数？那还不如我自己改呢！”

如果真是那样，确实是折腾人。

我用的是Codex操作 浏览器实现自动化阅卷，最省心的地方在于：老师平时怎么登录好分数，现在还怎么登录。你只需要把网页打开，剩下的活儿，AI 就像一个隐形的助教，直接在你原本的阅卷页面上干了：

不需要你截图，自己就能在好分数页面上看清学生的手写答卷 ➔ 对照那本《阅卷铁律手册》找准采分点 ➔ 自动点亮页面上的打分键 ➔ 配合好分数的“自动提交”功能，稳稳滑向下一份。

下面是真实录屏：

一整个上午，阳光照进书房，电脑在桌子上安安静静地自己跑着。每改完一份，后台的账本上就多一行清晰的记录：这孩子写了什么、哪点拿了 2 分、哪点没答出来。

先前已经人工批改了 547 个题块，剩下的工作，AI 在上周六上午接力分担了下来。按这次整理的口径，人工 547 个，加上 AI 留存的 1475 个去重样本，合计对应全部 2022 个题块。不到十二点，原本要熬整个周末的阅卷任务就顺利收官了。

4

说实话，一开始我只是想帮爱人省点脖子疼的苦力。但跑完之后，看着后台留下的那本“明白账”，我们俩都发现了一个意外之喜。

平时改完卷子，好分数导出来的成绩单只有冷冰冰的总分和平均分。至于全年级孩子到底卡在哪个具体知识点上，老师只能凭改卷时的模糊印象去猜：“好像这次大家课本背得不熟？”

但这一次，AI 保存下来的阅卷日志里详细记录了每一个分项得分。我们先把两道小问的数据账本对齐：

我把第（1）问的 944 个 AI 留存样本汇总成了一张柱状图（注：以下比例仅分析 AI 留存样本，不含前期人工批改部分）。

看到这张图的那一刻，作为备课组长的爱人也愣住了：

▲ 第（1）问已保存的 944 个去重样本中，846 个被 AI 评为 4 分，占 89.6%。图中各项比例表示该方面被 AI 判为得分的占比。

在这 944 个样本中，接近 90%（89.6%）都停留在 4 分！为什么大家齐刷刷地丢掉了剩下的 2 分？看看分项记录就全明白了：

同样地，在第（2）问保存的 531 条记录中，能从“经济发展”角度答题并得分的也只有 180 条，占 33.9%。

为了稳妥起见，我和爱人没有直接盲信机器的统计，而是顺着这份日志线索专门回看抽查了一批原卷，核实孩子们究竟是漏答了，还是被 AI 误判了。结果发现，绝大多数拿 4 分的卷子，确实是只摘抄了材料里的政治和人口，完全把课本上的经济、文字抛在了脑后。

有了这份实打实的复核底气，紧接着的这周一历史讲评课上，爱人破天荒地没有逐字逐句念参考答案。她把这张对比强烈的柱状图直接投在了教室大屏上。

看着那两根不到 10% 的矮柱子，全班同学一下子就安静了。不用老师再苦口婆心地劝“你们要背课本啊”，连平时最爱走神的几个男生，都老老实实在笔记本上记下了“材料找两点，课本补一点，莫忘经济线”的审题提醒。

这周一晚上回家，爱人笑着跟我说：“这是我教高一这么久，上得最通透、最省嗓子的一堂讲评课。”

5

这次AI 阅卷的小小尝试，让我感触很深。

整个过程画成了一张完整的流程图。你看，AI 并不是要取代老师，恰恰相反，最核心的“定细则、审试评、抓复核”，全靠一线老师的学科功底来把关；AI 做的，只是把中间最枯燥、最伤眼睛的那几千次“读卷、比对、敲键盘”替我们扛了下来。

教书是个良心活，也是个极其消耗心力的活。

我始终觉得，一位好老师最宝贵的精力，应该留在多翻两页史料把明天的历史故事讲得更精彩上，留在给偏科的孩子当面指点一下答题思路上，或者哪怕只是留在改完卷子的那个周末，能早点合上电脑，走出书房喝口热汤、陪陪家人。