在高考評分中，作文往往是最耗費工作量，也最具爭議的一項。近年來，由于高考作文評價體系屢遭質疑，相關領域的專家學者開始思考運用機器評分，來取代準確度不高且耗時耗力的人工批改。11月26日，華東師范大學中文系副教授徐默凡，在華東師范大學一場有關“應試作文寫作質量的計量和計算”的研討會上，就機器在作文評分中的實現可能性進行了探討，并對當下的應試作文評分進行了反思。

研討會現場。

通過數據統計可找出背題套題的作文

據徐默凡介紹，目前有望運用于機器評分的自然語言處理模型有三類，分別是基于規則識別、數據統計和神經網絡的自然語言處理。

所謂基于規則識別的自然語言處理，是基于一定的規則對作文進行句法分析和語義分析，從而掌握對語言的理解和表達。徐默凡認為，這條路對于作文機器評分是走不通的。因為首先，人類自身并未建構起準確的作文評分標準;其次，作文評價標準涉及到的因素比句子理解更多，思想、邏輯、結構、語言等要素難以規則化。

第二種模型則是基于神經網絡的自然語言處理。它的原理在于運用腦科學和仿生學，模仿人腦對信息的處理方式。然而在徐默凡看來，這種模型也不適合用于機器評分。除了訓練復雜度高，費時費力之外，無法對它的信息處理過程進行探測和評估，因而結果的可解釋性差。

更重要的是，這種模型牽涉到了關鍵的智能倫理問題。AlphaGo的橫空出世令人驚詫，而相比圍棋，作文更是人類智能的體現。如果將作文評分交給人工智能，很容易引起倫理上的反感甚至恐慌。高考這一事關很多人前途的重大考試，若完全交由人工智能去判斷評分，很有可能會造成“機器將會主宰人類社會”的聯想。

于是相比之下，基于數據統計的自然語言處理才是更適合機器評分的模型。這種數據統計的基本原理是，一個句子是否合理，不必了解它的句法語義，只需要考察它在人類說過的話中出現的可能性大小如何：出現的可能性越大，即越合理;可能性越小，則越不合理。理論上，進行這種自然語言處理時，需要把人類講過的所有話都統計一遍;然而在現實中，進行詞頻統計就已綽綽有余。“詞頻統計現在已經是比較成熟的研究成果了，”徐默凡說，“在實際中，也可以考慮到前后文的關聯和影響。只是考慮的詞越多，意味著計算也會越復雜。”