关于 ML 研究中人类评测调查是否常见的提问与建议请求

一名硕士生在项目中让微调的 AI 模型对图像给出反馈，并与 Qwen/OpenAI API 的结果对比，导师建议通过 Google Form 收集约 60 份人类对比反馈来做统计判断。提问内容包括：这种人类评测在 ML 研究中是否常见、60 人样本量是否合理、如何处理乱答或未认真作答的参与者，以及审稿要求追加评测时再做一轮调查是否常见。