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
- OpenAI 发布 reward-seeking 研究与测量方法 — OpenAI · 2026-07-22
- Reddit 转发 OpenAI 的 ChatGPT 广告页面 — EcstaticAsparagus509 · 2026-07-22
- 开源 runtime 让每个仓库自定义 AI 代码审查器 — ibabufrik · 2026-07-22
- OpenAI 与 Apollo 推出 Contrastive SDF 量化奖赏投机 — OpenAI · 2026-07-22
- NVIDIA：先调好 Harness，再去调模型 — NVIDIAAI · 2026-07-22
- AI 发展的瓶颈：从互联网数据红利到高质量反馈闭环 — dyamins · 2026-07-22