Agentic AI 评估中效度问题的复合可靠性危机

研究提出三层复合效度模型，指出 Agentic AI 评估管线存在 V_total ≤ V1 × V2 × V3 的乘数级退化风险。 调查 55 篇文献发现 26 篇未报告机会校正的评分者间一致性指标，约 80% 样本的 IRR 指标与评分设计结构不匹配，且 V3 层目前在所有基准中均不可量化。