结合自动评分的人工评测：拆解采样与估计增益

一项针对三个偏好数据集与19个属性问答系统的评测研究表明，基于分数分层的比例采样加分层人工均值是最稳健的基础流程。在十区间分层下，最佳固定局部线性修正仅能将 MSE 额外降低 1.00%–5.27%。收缩配额等复杂策略的普通 95% 区间覆盖率仅为 88.09%–93.54%，且个体 MSE 下降未必能提升系统排序效果。