LLM 評審受檢驗：評估自動評分器的新統計框架

研究人員提出以貝葉斯廣義線性模型（GLM）評估 AI 模型，並同步衡量自動評分器可靠性的框架。框架可按評分資料屬於二元、序數或計數類型，選用相應機率分佈及連結函數，並以後驗分佈表達不確定性。論文中的統計模型以開源套件形式在 GitHub 提供，另有各範例的可重現 notebooks。