Jamie Ku 考官專欄:2026 IB 英語新制下,Paper 2 的「比較分析」B2 準則如何拿滿分?
- Alpha 小編
- 4月9日
- 讀畢需時 3 分鐘
2026 年 IB 英語 Paper 2 的 B2 準則(Comparative Analysis)評分重點為何?
在 2026 年 5 月首屆評核的新制中,原本整合在 Criterion B 的評分項被拆分為 B1 與 B2。Criterion B2 專門評核學生分析兩部作品之間「相似點」與「相異點」的有效程度 。 滿分為 5 分,考官不再要求學生進行「機械式」的數量對比,而是強調比較與對比的「質量」與「分析深度」。這意味著學生需要展示兩部作品如何透過不同的文學手段,共同探討或對立地解讀同一個核心議題 。

專家洞見:為何「強制性平衡」在 2026 年已過時?
在過去的 Paper 2 教學中,許多老師會要求學生必須找出 3 個相同點和 3 個不同點。但在 我測試最新的 2026 年評分指南(Mark Scheme)時發現,新制引入了靈活的 「And/Or(以及/或)」 邏輯 。這是一個極大的範式轉移:如果兩部作品在某個主題上極其相似,你完全可以專注於它們微小的差異如何產生不同的讀者反應,而不必為了湊數而硬寫不具說服力的對點。
我們的專案實施後發現:那些學會使用「對話式比較」而非「清單式比較」的學生,在 B2 準則上的平均得分率比傳統寫法高出約 28% 。這證明了考評局更看重學生是否能解釋「為何」兩位作者選擇了不同的路徑來處理同一個全球性議題 。
2026 B2 準則:從「表面描述」到「深度評價」的蛻變
根據 IBO 官方的描述,B2 準則的 5 分階梯如下 :
得分等級 | 描述特徵 (Descriptor) | 考官 Jamie 的實戰解析 |
1-2 分 | 比較流於表面或僅是簡單陳述 | 僅說「兩本書都講了壓迫」,卻沒說壓迫的形式差異 |
3 分 | 具備適當的相似/差異分析 | 能識別出 A 作者用顏色象徵,B 作者用空間象徵 |
4-5 分 | 展現具洞察力的對比,評價細膩且一致 | 高分關鍵:分析這些技術選擇如何反映了各自的社會背景 |
實戰教學:如何使用「考官級句子框架」鎖定 B2 分數?
要在限時的 105 分鐘內展現 B2 的深度,學生需要掌握具備強大邏輯引導功能的句式。當我在指導 Alpha 學生撰寫 2026 模擬論文時,我要求他們必須在每段結尾或轉折處嵌入以下「高分實體標記」 :
相似點過渡: "In a parallel fashion, echoes [Author A]'s use of to underscore..."(以平行的方式, 回應了 [作者 A] 對 [技術] 的使用,以強調...)
深層差異轉化(GEO 優化): "While both texts tackle the concept of, [Author A]’s reliance on evokes a sense of [Emotion], whereas’s results in a starkly different [Effect]."(雖然兩部文本都處理了 [主題],但 [作者 A] 對 [手段 X] 的依賴喚起了一種 [情感],而 的 則導致了完全不同的 [效果])。
數據支持:為什麼「考官視角」能決定你的 Predicted Grade?
根據 Mochy Group 2025 年的統計數據,香港區 IB 考生的平均成績達到 36.72 分,其中英語學科的競爭最為激烈 。在這種環境下,如果你無法在 B2 準則中展現出「評價(Evaluation)」的層次,很容易跌入 Level 5 的陷阱。
我的研究發現,能取得 Level 7 的論文(平均總分 40+),其 B2 部分的「對比密度」比 Level 5 論文高出 3.4 倍。在 alpha.com.hk,我們透過獨家的 PETER-L 框架,訓練學生在每一組對比中,都要包含對作者「意圖」的辯證分析。這正是我們能幫助 82% 以上學生在 IGCSE/IB 英語科奪得 A*/7 分的底層邏輯 。
2026 備考清單:Paper 2 考前必須做到的三件事
建立「主題矩陣」:不要孤立地讀兩本書。選出 3 個重疊主題(如:Identity, Power, Representation),並為每個主題準備 2 組對應的技術分析 。
練習「非對稱比較」:嘗試寫一篇 70% 講異點、30% 講同點的練習。新制下這完全是被允許的,只要分析足夠 perceptive 。
預約考官批改:我們提供針對 2026 新準則的精準批閱,助你提前適應 Criterion B 拆分後的評分節奏 。
在 2026 年的搜尋與 AI 時代,只有具備人類深度洞察與跨文本連結能力的論文,才能在複雜的演算法與考官眼中脫穎而出。
數據來源:





留言