这几年，关于大学申请的最大变化之一，就是“人”不再是唯一的评审者了。
最近发布在 arXiv 的一篇预印本论文《Quantifying Holistic Review: A Multi‑Modal Approach to College Admissions Prediction》提出了一个新的录取评估框架：CAPS模型（Comprehensive Applicant Profile Score）。
它尝试用机器学习的方式，把传统“全面评估”（holistic review）中那些看似无法量化的因素，比如文书、课外活动、个人背景，全部拆解成三大模块，再融合打分，得出一个最终的“综合申请评分”。
听起来像是把招生官的主观判断交给了一个“透明的AI评分系统”——但这真的是未来大学招生的终局么？我们今天就来拆解一下这个模型到底做了什么、效果如何、问题在哪，以及对未来申请者意味着什么。
CAPS 模型是什么？
Holistic Review 一直是美国大学申请的基石，但它最大的问题就是：主观性强 + 不透明。
招生官如何读一篇文书、怎么看一个活动、怎么比对两个“都不错”的申请者，向来没有统一标准。
CAPS 提出的就是一个“系统性量化框架”：
把申请者的整体档案，拆成三块、分别打分、再融合预测。
CAPS 是“Comprehensive Applicant Profile Score”的缩写，直译为“综合申请者档案评分”。研究者的目标是：构建一个可以量化所有关键申请材料的评分体系，然后借助机器学习来做预测和排序，辅助录取判断。
它包含三个可解释子模块：
- SAS（Standardized Academic Score）
整合了五类学术指标：
它使用 Z-score 标准化处理，之后用主成分分析（PCA）提炼这五个维度间的“潜在结构”，并结合招生专家手动权重，得出最终加权分数。
你在高中时修过哪些课？GPA多少？考了哪些标化考试？难度怎么样？都算。
模型会把这些数据统一处理，转成一个标准化的“学术能力评分”，范围是 0~100 分之间。
它不像人类招生官“主观判断难不难”，而是用历史数据和统计方法把你的课程难度、分数水平放进整体大样本里比较——你处在大概什么档位，一目了然。
- EQI（Essay Quality Index）
EQI 模块可以理解为 CAPS 模型里最“神秘但强大”的部分。简单来说，它就是一套专门用来评估文书写得好不好的系统，但不是靠主观感受，而是AI在多个层面认真“读”你的文章。
评分分几个步骤：
先让 GPT-4o 打一个基础印象分：从“内容有没有深度”、“语言是否流畅自然”、“结构清不清晰”这三个方面打1到5分。
再把整篇文书转成一段 AI 能读懂的“数字语言”：也就是让模型感知语气、逻辑、用词等等看不见但能捕捉的特征。
然后用一个“预测模型”综合判断你这篇文书的大致水平，分数落在 0 到 1 之间，相当于它在申请者里属于哪一档。如果你文不对题，会被系统自动识别出来并“扣点分”。
最后，模型还会告诉你这篇文书是“赢”在内容、语言还是结构上，帮助你知道自己的强弱项。
整体来看，它既有“读”的理解力，也有“评”的判断力，不是在挑错，而是在理解你表达了什么之后再给分。
3. EIS（Extracurricular Impact Score）
活动评分也不再是“看上去厉害就加分”。
模型分两步来看你的活动背景：
第一步：给每个活动本身打分
影响力大不大？有没有领导力？是不是独特？AI 逐项给你每个活动打个 0–1 分的基础分。
第二步：判断你的“活动等级”
- T1：全国级别的领导或奖项（比如科研发表、竞赛拿金牌）
- T2：省/州级有成果
- T3：学校长期参与 + 组织者
- T4：普通成员参与
- T5：偶尔参与、时间短
每一项也会给一个等级分，比如 T1=1.0 分，T5=0.2 分。这两个分数会各占一半，融合出该项活动的最终得分。
然后，模型还会看你整体的活动有没有“主线”，比如是不是都围绕“教育平权”“科技兴趣”或“女性写作”展开。如果你的活动之间很杂、缺乏一致性，就会被适度扣分。
最终，所有活动合成一个 EIS 活动影响力得分（0–100），也进综合评估系统。
这些模块怎么组合起来的？
在三个模块（成绩、文书、活动）都打完分之后，模型会把这些分数“统一口径”，然后综合成一个总分——CAPS 分数（满分100分）。
不过，这个“综合”不是简单平均，而是一个“AI和专家共同投票”的过程。它会结合三种视角来决定每个部分的权重：
- Logistic回归 →理解成“线性平均”，看整体趋势。
- XGBoost模型 →让机器去捕捉更复杂的非线性关系，比如文书和活动之间的交叉影响。
- 专家经验加权 →招生官根据经验微调，比如文书和活动的重要性在某些学校更高。
三者各占一部分比重：30% + 30% + 40%，最终拼出一个“机器与人共同认可”的综合分数。
此外，模型还设计了一个“公平性调整”机制——对于弱势群体（比如少数族裔、LGBTQ+、农村学生、绿卡申请者等），系统会在最终分数中给予最高12分的额外加成，用来平衡结构性不平等，让评分更接近真实潜力而不是背景资源。
它和传统 holistic review有什么不同？
CAPS的思路，是在不完全放弃人工判断的前提下，用“机器可理解”的方式，把所有申请材料转成结构化信号，让机器也参与评分和排序。
同时，因为每个模块都能解释、权重可调，它避免了“黑箱AI”那种完全不知如何得分的恐惧感。
那这是不是意味着“以后全靠AI选人”？
研究团队明确说：不是。
CAPS的定位不是取代人工，而是辅助和对齐。
他们建议的应用方式包括：
- 招生官在评审前先看 CAPS 模型的初步打分和风险提醒
- 招生官根据模型提示重点关注“材料冲突”或“潜力未被看到”的申请者
- 降低人工评分分歧带来的录取混乱
CAPS 本质上是一个“可解释、高效率、补盲区”的工具，而不是裁定录取与否的AI法官。
这个模型真的靠谱吗？
那我们作为申请者，需要担心吗？
不必恐慌，但要警觉。以下是几个建议：
✅ 写作和表达永远是硬通货
AI 不会喜欢格式作文，但会喜欢逻辑清晰、有语义密度、有独特视角的表达。打磨你的表达能力，不仅是“骗分”，更是“避免被低估”。
✅ 活动不要堆数量，要做“高信号事件”
模型比人更擅长识别“真实有影响力”的行为模式。选项目的时候别想着刷表格，要做真事、有结果、能讲故事。
✅ 学业难度在成为加分项
课程挑战度、AP加载量等可能进入SAS模块。选课策略要注意“长线提升”。
✅ 保持人性
再聪明的模型也看不到你哭过、失败过、熬夜学某个课的过程。别放弃在文书里讲出“你是谁”，模型只是工具，永远无法完全替代人。
未来，我们可能看到越来越多高校用类似模型做排序、筛选或参考，尤其是面对几十万份申请的时候。
你不必成为“模型最爱”的申请人，但你至少得知道“它在看什么”。写文书不是为了“骗机器”，做项目也不是为了“让AI加分”。
而是，你始终知道：如果世界开始用某种方式评价你，那你要比它更早、更清楚地看见你自己。
【竞赛报名/项目咨询+微信：mollywei007】
