研究：开源 LLM 作评委与考生预测医学题难度
原文标题：LLMs as Judges and Examinees for Medical Item Difficulty Prediction
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出用开源权重 LLM 与试题交互产生的信号来预测医学题目难度，让模型分别扮演评委（绝对评分与两两比较）和模拟考生（正确率、选项概率、响应熵等）。在 USMLE 与 PANCE 数据集上，最佳配置的 Spearman 相关系数分别达 0.447 与 0.494，超过 2024 BEA 共享任务最佳系统，并与 Claude Opus 5 的直接判断相当。由于模型可本地部署，该方法适用于尚未公开或高保密试题的难度预估。
- 问题
- 仅凭题干预测医学试题难度，现有语言特征方法效果有限。
- 方法
- 让开源权重 LLM 分别充当评委（绝对评分、两两比较）和模拟考生（正确率、选项概率、响应熵），再把信号与题目特征组合起来做预测。
- 结果
- USMLE 上 Spearman ρ=0.447、PANCE 上 ρ=0.494，超过 2024 BEA 共享任务最佳系统（ρ=0.25），与 Claude Opus 5 直接判断相当。
- 影响
- 可在本地部署，用于尚未公开或高保密试题的难度预估，替代依赖外部 API 的评测流程。
深读 · 结论先行AI 生成展开看要点与影响 ↓
开源LLM扮演评委与模拟考生预测医学题难度，USMLE/PANCE的Spearman达0.447与0.494。
- •评委角色给绝对难度评分与两两比较，考生角色产出正确率、选项概率、响应熵、前二选项概率差。
- •两两难度比较是两个数据集上最稳定的单一LLM信号。
- •USMLE ρ=0.447，超过2024 BEA共享任务最佳系统（ρ=0.25）；PANCE ρ=0.494。
- •结果与Claude Opus 5直接判断相当（ρ=0.443与0.488）。
为什么重要：模型可本地部署，适合尚未公开或高保密试题的难度预估，对考试机构与题库建设方有直接落地价值。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。