NUWA RESEARCH RECORD
AI Evaluation Should Require Standardized Item-Level Data Releases
原始文献 ↗ · BibTeX · RIS汇总成绩可能掩盖低质量题目与测量目标错位；作者主张以可审计结构记录题目、条件、响应和评分。
研究问题
评测发布需要提供哪些信息，才能让效度主张接受独立检查？
设计与前提
观点论文提出标准化题目级发布，并通过 OpenEval 仓库展示题目诊断与测量概念分析。
研究发现
汇总成绩可能掩盖低质量题目与测量目标错位；作者主张以可审计结构记录题目、条件、响应和评分。
局限与反证
这是附带案例的方法观点，不是开放数据能够消除污染的证明；原文明确允许受控访问、延迟发布和许可限制。
来源证据
当前阅读包尚无结构化数值提取。
阅读范围与复核
Selected original HTML sections and table context; not a complete paper/appendix audit or independent reproduction.
模型辅助整理，独立证据复核待完成。
核对原始来源 ↗