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
- Chelsea Finn：机器人 RL 的瓶颈是物理 rollout 成本 — ycombinator · 2026-07-27
- ICML 2026 口头论文复现分数重算后仍偏中等 — profjamesevans · 2026-07-27
- 长周期智能体最终需要不可变事件日志 — sebpaquet · 2026-07-27
- Seed IQ 在 Doom II 里通关，引出 ARC-AGI 之后的评测问题 — Fit_Transition8824 · 2026-07-27
- 实测智能体数据科学工作流：代码能跑但常答错问题 — hugobowne · 2026-07-27
- 一份横跨 ML、系统、NLP 与音频的经典论文清单 — deliprao · 2026-07-27