自我鉴定摘要教师如何写我教你。（精选5篇）

更新日期:2025-06-22 12:13

写作核心提示：

标题：撰写自我鉴定摘要：教师应注意事项
正文：
在撰写自我鉴定摘要时，尤其是作为一名教师，以下事项应当特别注意：
1. "明确主题"： - 确保摘要的主题明确，围绕自己的教育教学工作展开，突出个人在教育教学中的角色和贡献。
2. "客观评价"： - 实事求是地评价自己的工作表现，既要展示自己的优点和成就，也要诚实地分析不足和需要改进的地方。
3. "突出重点"： - 针对教师这一职业特点，重点描述教育教学能力、学生管理、课程开发、团队合作等方面的表现。
4. "具体实例"： - 使用具体事例来支撑自己的评价，如教学成果、学生反馈、同事评价等，使自我鉴定更具说服力。
5. "遵循教育理念"： - 在摘要中体现自己的教育理念，如素质教育、个性化教育、终身学习等，展现教师的教育情怀。
6. "结构清晰"： - 摘要应结构清晰，通常包括个人基本信息、工作概述、教学成果、反思与展望等部分。
7. "语言规范"： - 使用规范的书面语言，避免口语化表达，确保文风严谨、条理分明。
8. "注重情感表达"： - 在适当的地方表达对教育事业的热爱和对学生的关心，体现教师的职业情感。
9. "遵守职业道德"： - 强

用AI打败AI，毕业论文AI检测靠谱吗？

临近毕业，为了论文达到AI率标准，有一批大学生不得不狠狠修改论文。

对于一些高校的应届毕业生而言，除了传统的查重、盲审、答辩，毕业路上又多了一道关卡——AIGC检测。

收到学校对毕业论文进行AIGC检测的通知，大四学生一帆对“用AI查AI”的方式感到不放心。而检测结果让他惊讶：“虽然我自己写的几个段落被误判为99%AI，但没想到我用AI润色的部分也被查出来了”。

利用系统改写后，他产生了好奇：“降AI也是AI写的，为什么就查不出来？”查看修改内容后，他发现“系统降AI方法就是删掉逻辑词、把很多话的表述变成口水话”。

对于AI率降低后的论文，他认为“论文质量反而下降了，但为了合格，只能这样改。”

AI 检测再“升级”，不仅判 AI 率还能判论文质量？

论文“AI味”渐浓，是全球高校共同面对的新难题。

第三方机构麦可思在2024年对3000多名中国高校师生进行的问卷调查显示，近三成大学生将AI用于论文或作业写作。

2025年Open AI发布的报告显示，“美国三分之一以上的大学生使用ChatGPT，他们发送的约四分之一的消息与学习和学校作业相关”，内容涵盖构思论文框架、寻找主题和拓展观点等。

2024年初，福州大学、中国传媒大学等高校陆续发布了毕业论文（设计）AIGC 检测的通知。相比2024年，今年有更多高校将AIGC检测列入了毕业论文评价体系。西南大学、浙江科技大学、西南交通大学纷纷颁布关于2025届本科毕业论文（设计）AIGC检测的通知。

部分去年已采纳AIGC检测的高校则在今年提出了更细致的规定。以福州大学为例，去年的要求是“AIGC检测结果将作为学生毕业设计（论文）成绩评定和校级优秀本科生毕业设计（论文）评选参考依据”。到今年，校方指导文件明确指出“AIGC全文检测值应≤20%”，并规定终稿环节“查重检测或AIGC检测第二次才通过的论文最终总评成绩只能记作及格”。

在检测AI率的基础上，一些高校进一步采用了AI智评系统，用以评判论文质量。有别于拿AI率作为优秀论文参考依据，广东海洋大学、上海海事大学、温州理工学院等高校采用AI智评系统对本科毕业论文进行评级，结果包含四个等级：A（良好论文）、B（合格论文）、C（建议修改）、D（高危论文）。

这些评级意味着什么？不同的高校有着不同的标准，构成了难度不一的毕业门槛。网友@可回收分享自己查重定稿后，论文却被智评系统评为C级，她的学校要求论文达到B级才能答辩。网友@一往无前和网友@lady luck则表示自己的学校要求C级即可达标。

根据校方指导文件，一些高校要求学生依据AI评估的结果对论文进一步修改。比如，广东海洋大学要求盲审前，“AI智评结果为C或D以及检测智能生成内容比例超过40%的论文，应予以修改完善”。江苏大学则将AI 论文质量评估系统给出的数值列入了检测标准，要求评估数值“原则上预估合格概率要高于 75%；低于 75%的，需做进一步优化和修改”。

又贵又不稳定，大学生被AIGC检测困扰

“查了两次AI率，花了140块，太贵了。”考虑到一旦利用学校免费的查询次数，论文会被计入系统成为定稿，应届生立君将论文在其他平台进行了检测，确保AI率稳定，“一般大家都会提前自费查好，我们不敢把学校的检测次数当作试错”。

区别于论文查重精确到重合的语句标识，AIGC检测以片段为单位，这意味着修改范围扩大和不确定性增加。而面对被系统识别为“疑似AI生成”的专业术语和著作原文，不少大学生感到困惑。

网友@小狐狸在人间种花分享了自己的毕业论文检测记录，在正文一字未改、仅添加了参考文献表和封面的情况下，间隔两小时后的AI特征值从27.2%骤降为0.5%。对于花了两百块钱得到的这一波动检测结果，她感到无奈：“现在花钱查的结果也不敢相信了，好怕学校查重不过”。

评论区里，大学生们倾诉着类似的苦恼，获得高赞的网友@来一口猫钧嘛评论称“很多自己写的都会被判定AI，我的摘要写不好，最后是老师给我写的，也被判为中度AI了”；网友@圆镜表示“我连引用的北大核心参考文献都被说是AI”。

“AI率降低后，我的论文却变味了”

目前高校采用的主流检测系统在2024到2025年间先后更新。维普于2025年2月26日完成AIGC检测更新，表示其“增强了对最新AI模型的检测效果”；知网个人查重服务系统于2025年2月13日进行了AIGC检测服务升级；格子达在2025年3月6日发布了AIGC检测3.0版本。

为了探究系统升级是否有效，澎湃新闻记者将去年《换个平台就相差 32%，AI 论文检测成玄学》用于AIGC检测的同一篇“完全由AI生成”的论文投入相同的高校常用检测系统进行了检测。从结果来看，部分网站识别“完全由AI生成文本”的能力有所上升，但不同网站的差异仍然明显。

“我用AI帮我翻译的英文摘要都被识别出来了”。因此，电子科学与技术专业的晨夕认为，检测系统对于AI生成内容的判断还是准确的。但对于AI检测带来论文逻辑性减弱的后果，他感到无奈。为让AI率更低，他不得不在论文中的许多实验步骤前都加上了“我们”，原本清晰的实验说明，变成了“我们通过……，并且我们通过……，从而我们就能得到”的赘余版本。

AI检测器的误判概率大吗？一篇2024年教育技术领域的Q1级顶刊论文在检测了七款国外主流AI检测器后发现，这些检测器对未经过改写的AI生成内容的平均识别准确率为39.5%，对于人类写作的对照样本识别准确率为67%。这意味着人类有33%的概率被误判为AI，而AI却有高于60%的概率可以蒙混过关。

在新版本发布的公告中，格子达将其中一条区分人与AI创作的标准描述为：人类写作存在合理的不确定性，AI生成的文本过于“流畅”。这也导致了大学生们的无奈：为了降低AI率，不得不把论文改“笨”。

网友@江枫渔火对愁眠 分享了为AI率折腰的经历，她抱着把论文修改到最好的心态，却不得不弱化逻辑性，改书面语为口语，“虽然AI率达标了，终于定稿了，但是我对自己的论文不满意了，自己把自己的论文改烂真的很难受”。

网络上也有不少经验帖分享用AI打败AI的方法，但更改后的论文质量大打折扣。尝试过用系统降低AI率的一帆表示，AI改写的语句“不像人写的”。删减逻辑词、增加口水话后，论文与严谨、专业的大众印象渐行渐远。

采纳AI检测器，国外高校态度审慎

除了类似“AI 检测率”这样的硬指标划定，国内一些高校也在探索其他规范使用 AI 的方式，比如中国传媒大学继续教育学部设计了《本科毕业论文（设计）生成式人工智能使用情况说明表》，由学生自主披露论文中的 AI 使用情况。

而使用了AI智评系统的广东海洋大学也在指导文件里公布了允许使用AI工具的范围，如“可用于文献检索、关键词推荐和文献管理，但需确保引用文献的真实性与可靠性。可用于推荐统计图表类型和辅助制图，但不得用于生成或修改原始研究数据及关键研究图表”。

关于AI检测器，美国前20所顶尖高校普遍持“不建议使用”态度，考虑的主要因素为现有检测技术不成熟、系统无法提供证据、误判和漏判现象频出。

Open AI公司在官网“教育者常见问题解答”中称：“我们对检测器的研究表明它们并不可靠，因为教育工作者可能会对学生作出判断，并造成长期影响”。在训练过程中，其研发的AI生成内容检测器将莎士比亚的作品和《独立宣言》等人类撰写的内容标记为 AI 生成。

国内主流AIGC检测平台目前并未披露具体的训练集；对于相关的大模型原理，公开表述也比较模糊。以维普为例，其在官网对于判断标准的描述是“AIGC检测是运用AI大模型，预先对各大AIGC模型生成的海量文本数据进行特征反向演算，掌握AIGC模型文本生成的规律”。

根据同方知网数字出版技术股份有限公司2025年1月24日公布的专利《AI生成学术文本的判断方法、装置及相关产品》，其检测系统判定原理如下：首先“利用大模型对‘待判断’学术文本进行改写 ”，再通过对比改写前后的文本，判断该学术文本是否由AI生成。

AI检测技术落后于AI生成技术的现状，导致规避检测变得相对容易。上文提及的检测了七款国外主流AI检测器的2024年顶刊论文还提到，即便是相对简单的内容操控（例如添加拼写错误、增加文本波动性）也能非常有效地规避检测；“具备技术敏感度、资源且有意愿的个体”则能更轻易将AI生成内容伪装成人类所写。这就意味着，滥用AI技术的学生并不担忧检测器的考验，而手写论文的学生却可能因误判而受煎熬。

2024年12月，发表在中文核心期刊上的一篇论文《大语言模型技术背景下重塑研究生论文评价与指导》指出，高校采用“AIGC值”标准要求学生，可能容易导致师生之间陷入“猫捉老鼠”困境——“检测软件不断更新换代，抄袭者随之不断寻求新的规避办法”。“学生将精力投入无意义的表达变换的文字游戏中”，或许才是AIGC检测最大的隐患。

文中一帆、立君、晨夕均为化名

澎湃新闻特约作者 何洛伊 记者 卫瑶 舒怡尔

(本文来自澎湃新闻，更多原创资讯请下载“澎湃新闻”APP)

LLM-as-a-Judge，解锁「LLM评估LLM」新世界

在AI技术飞速发展的当下，如何准确评估大型语言模型（LLM）的性能成为了一个关键问题。本文将带你走进“LLM-as-a-Judge”的奇妙世界，这是一种创新的评估方法，通过让LLM自身来评估其他LLM的输出，从而实现高效、客观的质量把控。

上一篇文章分析了AI产品经理做好评测的重要性，并以本人所在的AI+医疗场景为例，示例了评估标准的构建以及测评了相关大模型在此任务上的能力。

从这篇文章起，将开启LLM-as-a-Judge的系列文章，包含从评估方法到实战应用的全流程。这是一种用魔法打败魔法的神奇方法体系，以本人曾在某厂子做过智能客服的经验来看，里面的方法极其实用，甚至不只是在评估环节用得到，很多方法都可以融到产品设计中，以保证AI产品的可靠性。里面的绝大多数内容我都曾在工作中或多或少用到过，现在终于被梳理成了一个完整的体系。在此强烈安利给各位AI产品经理以及算法伙伴。

一、什么是LLM-as-a-judge

LLM-as-a-Judge 是一种评估方法，用于根据评估提示词中定义的自定义标准评估任何 LLM产品（包括聊天机器人、问答系统或代理）生成的文本质量。它给LLM以评估提示词，让LLM来根据您定义的标准对生成的文本进行评级。LLM可以对两个输出进行比较，也可以直接对一个输出进行评分（评估正确性和相关性）。LLM 将按照您的指示返回分数、标签甚至描述性判断。

假设您有一个聊天机器人。您可以要求外部LLM 评估其输出，类似于人工评估员的方式，查看以下内容：

• 礼貌 ：回应是否尊重和体贴？
• 偏见 ：回应是否显示出对特定群体的偏见？
• 语气 ：语气是正式的、友好的还是对话的？
• 情感 ：文本中表达的情感是积极的、消极的还是中性的？
• 幻觉 ：这种反应是否符合所提供的上下文？

值得注意的是，LLM 作为裁判并不是准确度、 精确度或 NDCG 等意义上的评估指标 。在机器学习中，指标是一种定义明确、客观的衡量标准：它们精确量化模型的预测与真实情况的匹配程度。相比之下，LLM as-a-judge 是一种用来近似人工标记的过程。当要求 LLM 评估“忠实于来源”、“正确性”或“有用性”等品质时，需要在提示词中定义这些术语在的含义，且依赖于 LLM本身从训练数据中学到的语义关系。使用 LLM judges 的成功在很大程度上还取决于实现细节：使用的模型、提示词设计和任务复杂性。还需要根据特定的评估者 LLM 调整评估提示词：单词和格式都很重要。

二、几种类型LLM评估器

可以要求 LLM 在两个输出之间选择最佳答案，评估简洁或礼貌性等特定品质，或使用额外的上下文评估答案，例如检测幻觉或确定相关性：

• 成对比较 ：给LLM两个，并要求LLM根据特定标准选择更好的一个。这使您可以比较模型、提示或配置，以查看哪个性能最佳。
• 按标准评估（无参考）：要求 LLM 根据语气、清晰度、正确性或其他维度评估回复或对话。
• 按标准评估（基于参考文献）：提供额外的上下文，如源文档或参考文献，并要求 LLM 对进行评分。

1、成对比较

简而言之，您生成两个响应，并要求 LLM 根据特定质量或因素选择更合适的一个。

提示词示例：你将看到对同一问题的两个。你的任务是根据其相关性、有用性和详细程度来决定哪个响应更好。如果两个响应都一样好，则声明平局。

2、按标准评估

你可以要求 LLM 直接按你定义的任何维度对生成的文本进行评分。例如，你可以使用 LLM评委来评估语气、清晰度、格式遵守性、简洁性、礼貌性、个人身份信息 （PII） 的存在等内容。

LLM 在专注于语言和语义的分类任务中非常有效。一种常见的方法是将评估视为二元分类问题。或者，你可以使用分级量表来衡量响应满足特定标准的程度，例如使用从 1 到 5 的Likert scale。

对话级评估：

对包含完整上下文的对话进行评估，如：

• 确定问题是否已解决 ：用户的问题是否最终得到解决？
• 检测用户挫败感 ：用户是否表达了负面情绪？

提示词示例：阅读对话并评估用户的请求是否已解决。“已解决”表示问题已得到解决，并且用户确认或表示满意。返回以下标签之一：“已解决” 或“未解决”。

3、基于参考的评估

在基于参考的评估中，不仅可以单独评估生成的输出，还可以提供额外的上下文以供查看。以下是提供额外输入的几个示例：

1）答案 + 参考答案：

适合于有基本事实或正确答案进行比较时。例如，在QA系统中，LLM评委可以检查新的是否与之前同一问题的答案是否相似。

示例prompt：将生成的 response 与 reference 答案进行比较。评估生成的响应即使措辞不同是否正确传达了相同的含义。返回以下标签之一：“Correct”或“Incorrect”。

2）答案 + 问题 ：

常见于聊天机器人或 Q&A 系统，用于检查响应是否正确解决了问题。

• 完整性 ：答案是否完全解决了问题？
• 相关性 ：答案是否与所提出的问题直接相关？

本人有话说：本人曾在某厂做过智能客服系统，在QA链路中，当大模型基于检索的相关知识生成了答案之后，还要再过一个类似这样的质检模块，判断生成的答案是否能解决用户的问题

3）在 RAG 中对上下文相关性进行评分：

答案 + 检索到的上下文或问题 + 检索的上下文：用于RAG中，评估根据检索出来的上下文生成的答案情况。

RAG的过程是：系统首先在知识库中搜索可帮助问题的文档，随后LLM根据它们生成输出。这为 LLM 答案增加了最新的知识。要正确评估 RAG 的性能，需要评估以下两方面：

对于第一部分 —— 搜索质量评估 —— 可以使用 NDCG 或精确率等排名（ranking）质量指标。这些类型的指标量化了系统查找和排序有助于查询的文档的能力。 这些评估通常在迭代不同搜索策略等参数时离线进行。

LLM评委可以充当上下文相关性评判员，可以对每个检索到的文本块与query进行相关性评分。

4）评估RAG中的幻觉：

您可以创建一个忠实度评判来仔细检查 LLM 是否正确处理了检索到的内容。

示例：评估以下 response 是否忠实于 context。忠实的回应应该只包括上下文中存在的信息，避免发明新的细节，并且不与上下文矛盾。返回以下标签之一：“忠实”或“不忠实”。

还可以使用LLM 评委来评估响应与上下文的连贯性、将摘要与来源进行比较来评估摘要 。这有助于您交叉检查质量并发现不一致之处。

三、实践案例

1、创建LLM评估器的步骤

创建 LLM 评委与开发任何 LLM 驱动的产品非常相似，需要一个提示来告诉LLM 确切该做什么。在本例中，它是一个评估提示词，指示 LLM 评估文本输入并返回标签、分数或解释。

问题是：如果你正在使用 LLM 来评估其他 LLM，而结果不是确定性的，你如何确保你的评委符合你的期望？

您需要采用迭代方法——像优化LLM产品提示一样优化评委。换句话说，您的评估系统需要自己的评估！

Step1. 定义评估方案。

首先，确定你到底希望 LLM 法官评估什么。

Tip：保持简单！不要试图一次评估太多事情。如果要检查不同的维度（如逾期和准确性），请将它们拆分为单独的评估。尽可能使用清晰的二元选项（例如，“正确”与“不正确”）。

Step2. 准备评估数据集。

接下来，创建一个小型数据集来测试您的 LLM 判断。这可以包括来自实验或生产数据的示例。如果您没有这些，则可以创建模拟预期输入的合成案例。

您的数据集不需要很大，但应该包含各种示例，尤其是那些挑战您的评估标准的示例。

Step3. Label此数据集。

您需要手动标记此数据集，这个标记的数据集将是您的“基本事实”，并帮助您衡量 LLM 裁判的表现如何。

Step4. 撰写评估提示词。

以下是一个示例：

Step5. 评估和迭代。

提示准备就绪后，将其应用于您的评估数据集，并将 LLM 裁判的输出与您手动标记的真实情况进行比较。

对于二元分类，可以使用精确率和召回率等指标来衡量 LLM 裁判的表现。

请注意，您的 LLM 评委不需要完美——只需“足够好”以达到您的目标即可。即使是人类评估员也会犯错误！

最后，引入领域专家。

非技术团队成员（如产品或领域专家）在设置评估方面发挥着重要作用。

2、LLM评估提示词

几种提示技术可以提高 LLM 评估器的准确性和一致性。这些类似于您在开发 LLM 产品时可能使用的那些，例如思维链提示。

1）使用二进制或低精度评分。

二元评估，如 “Polite” 与 “Impolite” ，对 LLM 和人工评估者来说往往更可靠和一致。通过两个简单的选择更容易获得准确的结果，而不是试图决定特定的 “礼貌” 得分是 73 分还是 82 分。

您还可以使用三个选项的方法，例如 “相关”、“不相关” 和 “部分相关”，或者在信息不足时包括 “未知” 选项。这避免了在没有足够数据的情况下迫使 LLM 做出决定。

2）解释每个分数的含义。

不要只是要求 LLM 将某物标记为“礼貌”或“不礼貌”。相反，明确定义“不礼貌”的含义，则更有帮助。如果您更喜欢标记边缘情况，您可以指导 LLM 更加严格地使用指示，例如“如果不确定，请谨慎行事并将其标记为’不礼貌’”。

使用 5 分制之类的内容，解释每个类别的含义变得更加重要——3 分和 4 分有什么区别？如果这一点不清楚，LLM 和人工审稿人都将难以保持一致。

为了减少可变性，您可以考虑使用多重评估 。然后，您可以使用最大投票或平均等方法组合结果。

3）通过拆分标准简化评估。

如果你有几个方面需要评估，比如完整性、准确性和相关性，最好将它们分成单独的评估器。这样可以保持专注。

4）在提示中添加示例。

如果您的标准很细微，您还可以考虑添加输入和判断的示例。

您的提示可以从一般说明开始（例如，“Good”表示……“Bad” 的意思是……然后提供良好和不良响应的示例。这些示例可帮助 LLM 更好地了解如何应用您的条件，尤其是对于功能较弱的模型。

但是也要注意，避免添加有偏差或有偏见的例子，且如果包含的负面示例多于正面示例，或者如果所有负面示例都列在末尾，则它们的顺序或频率可能会影响评估结果。

5）鼓励循序渐进的推理。

就像其他任务一样，要求 LLM 在给出最终答案之前“思考”其过程——称为思维链 （CoT） 方法——可以帮助取得更好的结果。

您可以在评估提示中执行相同的动作：要求模型解释其推理或逐步思考，从而有效地实施 Zero-Shot-CoT 方法。这样，模型将在一个响应中同时提供推理和结果。

6）设置低温。

在 LLM 中，温度控制输出的随机性。较高的温度意味着更多的种类，而较低的温度使输出更“可预测”。对于评估，您不需要创造力 – 设置一个低温，以便模型为相同的输入提供一致的答案。

7）使用功能更强大的模型。

在评估时，从更强大的模型开始是有意义的。这通常有助于确保更好地与人类判断保持一致。一旦有了这个坚实的基线，您就可以试验更小或功能更弱的模型，看看它们是否满足您的需求。

8）获取结构化输出。

最后但并非最不重要的一点是，始终选择结构化输出格式，例如 JSON。它使解析评估结果以进行进一步分析变得更加容易。

四、生产环境中LLM的观测与评估

系统上线后，真实用户将以您可能意想不到的方式与它进行交互。即使是最彻底的发布前测试也无法涵盖人们使用它的所有不同方式。这就是为什么实时跟踪实际性能如此重要的原因。

在生产中，没有完美的答案来比较输出，因此您需要自行监控响应的质量。LLM 评估员使这成为可能。您可以设置一个常规流程，根据所选标准对新一代输出进行评分。

这种监控不仅与质量控制有关，还可以深入了解用户如何与您的工具交互

第一步：追踪

第一步是跟踪 — 从用户交互中收集数据并将其存储以供分析，获得日志后，您可以查看和读取它们，以了解用户与您的应用程序交互时发生的情况。

最初，您可能会手动查看输出以发现常见模式或问题。但是，随着数据量的增长，人工审核将无法扩展，因此您需要一些自动化。

第二步：安排评估

制定评估计划：如果您正在运行客户服务聊天机器人，您可以评估 10% 的对话，以发现用户表达的沮丧、重复的问题或未解决的聊天。定期运行这些评估（例如，每小时、每天或在 X 次对话之后）可以让您了解最新的情况。

第三步：构建仪表盘

在对最新一批数据进行评估后，您可以将“标记为幻觉的答案比率”或“用户表达沮丧的对话数”等指标添加到控制面板中，并随着时间的推移可视化它们。这有助于跟踪性能趋势并发现问题。

您还可以设置警报 ，以便在事情偏离轨道时，您会立即收到通知，并可以在问题影响太多用户之前介入。

第四步：查看您的数据

监控和调试齐头并进。比如说，如果你注意到用户不满情绪增加，你需要查看特定的问题对话。您可以导出示例以微调模型，或创建测试集以调整提示词以解决问题。

本文由 @「爱」原生 原创发布于人人都是产品经理。未经作者许可，禁止转载

题图来自Unsplash，基于CC0协议