技术深度解析
口试评估的复兴，本质上是对当前生成式AI架构特定技术局限性的回应。虽然基于Transformer的模型擅长模式识别和统计文本生成，但它们缺乏进行真实、无脚本口头对话所需的几种关键能力。
核心架构局限：
1. 缺乏情景记忆与真实语境追踪能力： 大语言模型在固定的上下文窗口内处理提示（例如Claude 3的128K token）。它们无法形成对对话演变中情感基调的持久记忆，无法基于几分钟前提出的细微逻辑矛盾进行深入追问，也无法追踪学生信心水平的变化。而口试考官则持续更新着对应试者理解程度的心理模型。
2. 心智理论缺失： 当前模型无法将心理状态——信念、意图、知识缺口——归因于对话伙伴。它们无法推断学生*为何*在某个概念上卡壳，也无法实时调整后续问题以探查特定的误解。
3. 无法处理真正的实时即兴发挥： 大语言模型以自回归方式生成响应，这引入了延迟。更重要的是，它们的回答是训练数据的统计合成物，而非新颖的概念建构。它们无法进行那种定义高水平口头答辩的、对不同观点的实时创造性综合。
4. 在具身与多模态一致性上的失败： 口试是一种多模态表现。考官会下意识地评估语调、犹豫、肢体语言，以及语言输出与非语言线索之间的一致性。虽然像GPT-4V这样的多模态模型可以描述图像，但它们无法生成令人信服的实时表现，即语音、手势和面部表情与模拟的“理解”始终保持一致。
差距量化基准： 试图量化这些局限的研究正在涌现。口语能力评估基准——一项新兴的开源项目——旨在创建标准化提示，以测试AI在口试风格任务上的表现。初步结果颇具启发性。
| 模型 / 系统 | OPAB 自适应问答得分 (0-100) | 模拟对话延迟 (毫秒) | 一致性得分 (跨5个问题变体) |
|---|---|---|---|
| GPT-4 Turbo (API) | 42 | 1200-2500 | 65 |
| Claude 3 Opus | 38 | 1800-3500 | 71 |
| Gemini 1.5 Pro | 45 | 900-2200 | 60 |
| 人类研究生 (基线) | 85 | 200-800 | 92 |
| 微调辅导模型 (假设) | 55 (估计) | 1500+ | 75 (估计) |
*数据解读：* 该表格显示，即使在最先进的大语言模型与人类基线之间，在对于口试评估至关重要的指标——自适应提问得分和响应延迟——上也存在显著性能差距。高延迟和中等的一致性得分凸显了AI在维持连贯、快速的知识交锋方面的弱点。
相关技术项目：
* GitHub: `oral-assessment-simulator`：一个用于生成合成口试记录，并测试模型在后续提问和谬误检测方面表现的框架。该项目已在教育科技研究者中获得关注。
* GitHub: `prosody-analysis-for-education`：一个专注于语音模式分析（停顿、音高变化、填充词使用）的工具包，旨在区分背诵式复述和自发解释，尽管其对抗先进AI语音合成的有效性尚未得到证实。
技术结论很明确：严格口试所要求的认知负荷和互动需求，同时暴露了当前生成式AI范式的多个弱点，从而在评估领域创造了一个暂时的“人类保护区”。
关键参与者与案例研究
这场运动并非铁板一块，而是由不同机构参与者采取的不同策略组成。
传统学术界引领变革：
* 牛津大学与剑桥大学： 已在AI文本生成风险最高的人文社科领域，扩大了对毕业项目使用“viva voce”的比例。他们的模式强调由两位考官参与的、持续深入的对话。
* 麻省理工学院： 在计算机科学领域，MIT开创了“代码走查口试”。学生在考前30分钟拿到一段代码（有时内含细微错误），必须现场解释其功能、复杂度及潜在改进方案。这测试的是超越代码生成的应用理解能力。
* 斯坦福大学以人为本人工智能研究所： 以Percy Liang教授为代表的研究者倡导“过程重于产出”的评估理念。他的团队开发的工具不是为了检测AI，而是为了促进和评估*思维过程*，例如伴随习题集提交的录音口头推理日志。
教育科技创新者构建基础设施： 规模化推行口试是劳动密集型的。一批新兴初创公司正在创建数字基础设施。
* Kami.ai： 致力于开发AI辅助的口试平台，利用语音识别和自然语言处理技术来记录和分析对话，为考官提供结构化见解，同时保持人类在评估中的核心地位。其目标是降低大规模实施口试的行政负担。