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
- 本周热议的数学猜想到底关我什么事?一张普通人视角清单 — koltregaskes · 2026-09-11
- 果蝇大脑 LLM 权重上架 Hugging Face,兼容 transformers 可直接跑 — ngxson · 2026-09-11
- 用果蝇大脑连接组造了个 LLM,作者放出在线 demo — ngxson · 2026-09-11
- 社会学家 Harry Collins：LLM 无法发明新语言，做不了前沿科学 — whoamisri · 2026-09-11
- 「Waymo 效应」：AI 正在悄悄让科研协作变少 — JohnHammersley · 2026-09-11
- HF 工程师争论:非生成任务全用因果注意力是在浪费算力 — antoine_chaffin · 2026-09-11