Cohen’s kappa 可能高估 LLM 评审与人类一致性
IanArawjo · x · 2026-07-21
讨论 Cohen’s kappa 为什么不能直接等同于“LLM 评审已与人类对齐”。配图显示：即使加权 kappa 看起来很高，未校正的假阳性率仍可能明显偏离，取决于偏差是随机噪声还是系统性偏置。
核心结论
- 这类一致性指标对随机分歧更敏感，对稳定偏差不够敏感。
- 如果 LLM 评审总是比人工高/低 1 分，交互评审一致性指标可能仍然不错，但评分本身其实已经失准。
- 图里对比了多个 kappa 区间下的未校正与 PP 校正结果，直观展示了这一问题。
所属事件:研究警示：缺乏人工校验的LLM评委存在高假阳性率(7 条相关)→
「研究」频道最新
- MissionReport 基准：540 份政府任务报告仅 3 份全达标 — Exp_Mark · 2026-10-27
- Finch 1 发布：用 50+ 种传感器影像训练的通用地理空间基础模型 — Scobleizer · 2026-10-27
- Skyfall AI 推出工程世界模型 SKY-001:文本转 CAD 构建,3.9 秒 vs GPT-6 的 199 秒 — rohanpaul_ai · 2026-10-27
- 物理学家让 AI 自选课题：两小时产出可登顶刊的论文 — burny_tech · 2026-10-27
- 研究者谈评测集透明度:组合性评测仍存数据污染隐患 — najoungkim · 2026-10-27
- 可解释性研究该分清形式与估计器：均值差转向不如直接梯度下降 — johnhewtt · 2026-10-27