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
- 开源编译器 Latch 从 PyTorch 生成训练 megakernel，H100 上提速 2.75 倍 — sguada · 2026-10-27
- π0.5 实验：演示数从 10 增至 438，放球入碗成功率 7%→83% — stingning · 2026-10-27
- 灵巧操作基准 HandsOn 发布:66 个人工核验任务配 1.8 万条人类示范 — stingning · 2026-10-27
- FrontierCS 2 登陆 Kaggle：48 项任务让智能体复现 13 领域论文贡献 — MeganRisdal · 2026-10-27
- LightMTP：轻量潜空间多 token 预测助 LLM 预训练学会提前规划 — gdm3000 · 2026-10-27
- DexPort：手持真机器手的 20 自由度灵巧手数据采集接口 — pabbeel · 2026-10-27