Xpersona
作

作业批改与学生学业综合评估Skill

CLAWHUB · Unverified

中国中小学作业批改与学生学业综合评估。教师拍照扫描批改作业、生成单生/全班单科及综合学科知识掌握评估图并给出指导建议。触发场景：(1)教师上传/拍照学生作业进行批改 (2)查询单个学生或全班的知识掌握情况 (3)生成单科或综合学科评估报告 (4)按角色（班主任/单科老师/校级管理层）分级查看学习数据。 Skill: 作业批改与学生学业综合评估Skill Owner: yezhaowang888-stack Summary: 中国中小学作业批改与学生学业综合评估。教师拍照扫描批改作业、生成单生/全班单科及综合学科知识掌握评估图并给出指导建议。触发场景：(1)教师上传/拍照学生作业进行批改 (2)查询单个学生或全班的知识掌握情况 (3)生成单科或综合学科评估报告 (4)按角色（班主任/单科老师/校级管理层）分级查看学习数据。 Tags: education:1.0.0, homework:1.0.0, huimai:1.0.0, latest:1.0.0 Version history: v1.0.0 | 2026-04-24T06:15:17.107Z | user v1.0.0: 初始发布，含专有授权协议 Archive index: Archive v1.0.0: 10 files, 18689 bytes Files: r

62
Rank
84
Safety
971
Downloads

About

What it does, and when to use it.

Capability contract not published. No trust telemetry is available yet. 971 downloads reported by the source. Last updated 10/12/2026.

Avoid when

  • Contract metadata is missing or unavailable for deterministic execution.

Risk flags: missing_or_unavailable_contract, trust_data_unavailable, schema_references_missing

Install and run

Setup complexity: low.

clawhub skill install s17ffxprqs0jtaf8w6n5gtnprd84cx12:huimai-homework-grading
  1. Setup complexity is LOW. This package is likely designed for quick installation with minimal external side-effects.
  2. Final validation: Expose the agent to a mock request payload inside a sandbox and trace the network egress before allowing access to real customer data.

Contract: missing

curl -s "https://www.xpersona.co/api/v1/agents/clawhub-yezhaowang888-stack-huimai-homework-grading/snapshot"

Run-check

$0.02 USD

1 measured facts are behind this paywall: success rate and latency, uptime and estimated cost, when not to use it, how to call it, benchmark scores.

Agents pay $0.02 in USDC. A card payment is $0.50, the smallest a card allows.

Documentation

CLAWHUB

23,857 characters of source documentation, loaded on request.

Extracted files

5 files captured from the source.

SKILL.md

---
name: homework-grading-assessment
description: 中国中小学作业批改与学生学业综合评估。教师拍照扫描批改作业、生成单生/全班单科及综合学科知识掌握评估图并给出指导建议。触发场景：(1)教师上传/拍照学生作业进行批改 (2)查询单个学生或全班的知识掌握情况 (3)生成单科或综合学科评估报告 (4)按角色（班主任/单科老师/校级管理层）分级查看学习数据。
---

# 作业批改与学生学业综合评估

## 核心功能

### 1. 作业批改（拍照/扫描输入）

- **输入方式**: 教师通过手机拍照或扫描学生作业（纸质或电子版）
- **OCR+AI 识别**: 自动识别学生作答内容，并与标准答案/知识点映射对照
- **批改结果**:
  - 逐题标注对/错，标注错误类型（概念错误、计算错误、审题不清、表述不规范等）
  - 每题关联对应的**课程标准知识点**
  - 生成错题提示（告诉学生错在哪、正确思路是什么）
  - 支持主观题人工复核接口

### 2. 知识点掌握评估图

- **单科维度**（单学生/全班）:
  - 雷达图/柱状图：展示各知识点掌握率（0-100%）
  - 知识点分级：**掌握/需巩固/薄弱** 三级
  - 趋势线：近期历次测验的知识点掌握变化
- **综合学科维度**（单学生/全班）:
  - 学科间对比雷达图（语文/数学/英语/科学等）
  - 各学科综合素养评分
  - 学科均衡度分析

### 3. 指导建议生成

- **单学生层面**:
  - 薄弱知识点专项练习题推荐
  - 个性化学习计划建议
  - 家长端简要报告（适合家长理解的语言）
- **全班层面**:
  - 班级共性薄弱知识点汇总
  - 教学调整建议（哪些知识点需要重新讲授、哪些学生需要重点关注）
  - 分组教学/分层作业建议

### 4. 分级权限体系

| 角色 | 可见范围 |
|------|----------|
| 单科教师 | 所教班级单科知识掌握情况、班级内学生个人单科情况 |
| 班主任 | 所带班级全学科综合情况、班级内学生个人全科综合情况 |
| 年级组长 | 年级内各班各科横向对比、年级整体水平报告 |
| 校级管理层 | 全校各年级学科分析报告、教师教学质量综合数据 |

## 数据结构参考

见 [references/data-model.md](references/data-model.md) — 学生、班级、学科、知识点、作业记录数据模型。
见 [references/permission-model.md](references/permission-model.md) — 分级角色权限映射。
见 [references/chart-spec.md](references/chart-spec.md) — 评估图表规格说明。
见 [references/ocr-implementation.md](references/ocr-implementation.md) — OCR 引擎选型（PaddleOCR推荐）、拍照批改工作流、Docker部署方案。
见 [references/textbook-version-mapping.md](references/textbook-version-mapping.md) — 国内教材版本、三层知识点映射、5张数据表设计、跨版本兼容方案。

---

## 授权说明

**版权与知识产权**: © 2026 Huimai Intelligence. All Rights Reserved.

本技能文件（含所有附属参考文档）为**设计说明与产品预览**，仅限个人教师免费查阅和使用其中的教育理念与评估方法论。

**商业使用许可**: 任何学校、教育机构或企业如需部署、集成、定制本系统，或进行任何形式的商业使用，须与惠迈智能（Huimai Intelligence）签订书面商业许可协议。

本文件发布于 ClawHub 平台，发布时间戳作为原创性证明，受《中华人民共和国著作权法》及相关国际版权条约保护。未经授权复制、分发、修改或商用将追究法律责任。

_meta.json

{
  "ownerId": "kn75q5p7wpr68hmqar9ywtejsx84cw1x",
  "slug": "huimai-homework-grading",
  "version": "1.0.0",
  "publishedAt": 1777011317107
}

references/chart-spec.md

# 评估图表规格

## 单学科知识点雷达图 (单学生 & 全班)

- **类型**: 雷达图 (Radar Chart)
- **X轴**: 该学科的所有知识点名称
- **Y轴**: 掌握率 (0-100%)
- **配色**:
  - 单学生：蓝色线 + 浅蓝填充
  - 全班平均：灰色虚线轮廓
- **标注**: 每个数据点标注三级掌握标记（绿✔/黄⚠/红✘）
- **下方说明文字**: 薄弱知识点列表 + 推荐练习

## 单学科知识点掌握率柱状图 (全班汇总)

- **类型**: 分组柱状图 (Grouped Bar Chart)
- **X轴**: 知识点名称
- **Y轴**: 掌握率 (0-100%)
- **每组柱**: [全班平均, 最高, 最低, 中位]
- **参考线**: 80% 掌握线（绿色虚线）

## 多学科综合雷达图 (单学生)

- **类型**: 雷达图 (Radar Chart)
- **X轴**: 学科名称 (语/数/英/科)
- **Y轴**: 各学科综合掌握率
- **叠加**: 全班平均（灰色虚线）
- **标注**: 学科均衡度指数（各科标准差）

## 知识点掌握趋势图 (历次测验)

- **类型**: 折线图 (Line Chart)
- **X轴**: 时间（按测验日期）
- **Y轴**: 掌握率
- **每条线**: 一个知识点的变化趋势
- **交互**: 悬停显示具体数值和日期

## 班级共性薄弱知识点热力图

- **类型**: 热力图 (Heatmap)
- **X轴**: 知识点列表
- **Y轴**: 学生列表（按掌握率排序）
- **色阶**: 红(弱) → 黄 → 绿(强)
- **用途**: 快速定位哪些知识点哪些学生最薄弱

## 数据格式（通用）

所有图表数据以标准 JSON 格式输出，前端使用 ECharts 或 Chart.js 渲染：

```json
{
  "chartType": "radar",
  "title": "三年级二班数学知识点掌握评估",
  "data": {
    "indicators": [
      { "name": "两位数加减法", "max": 100 },
      { "name": "乘法口诀应用", "max": 100 }
    ],
    "series": [
      {
        "name": "张三",
        "value": [85, 62]
      },
      {
        "name": "全班平均",
        "value": [78, 71]
      }
    ]
  },
  "advice": "全班在'乘法口诀应用'上掌握不足（62%），建议增加应用题专项训练。"
}
```

references/data-model.md

# 数据模型参考

## 核心实体

### 学生 (Student)
```
studentId       string   # 学号
name            string   # 姓名
grade           int      # 年级 (1-9)
classId         string   # 班级ID
enrolledSubjects []string # 就读学科列表
```

### 班级 (Class)
```
classId         string
grade           int
className       string    # 如"三年级二班"
headTeacher     string    # 班主任教师ID
subjectTeachers map[string]string  # {科目: 教师ID}
```

### 学科 (Subject)
```
subjectId       string    # 如 "math", "chinese", "english"
subjectName     string    # 科目名称
gradeLevel      int       # 适用年级
knowledgePoints []KP      # 该学科包含的知识点列表
```

### 知识点 (KnowledgePoint)
```
kpId            string    # 知识点ID，如 "math-g3-01"
kpName          string    # 知识点名称，如 "两位数加减法"
subjectId       string    # 所属学科
parentId        string    # 父知识点ID（用于层次结构）
level           int       # 层级深度
weight          float     # 在学科中的权重 (0-1)
tags            []string  # 标签，如 ["计算", "基础"]
```

### 作业记录 (HomeworkRecord)
```
recordId        string    # 记录ID
studentId       string
subjectId       string
classId         string
submitTime      datetime
questions       []QuestionResult
totalScore      float
fullScore       float
accuracy        float     # 正确率 (0-1)
teacherNote     string    # 教师备注（可选）
```

### 题目结果 (QuestionResult)
```
questionId      string
questionType    string    # choice | fill-blank | short-answer | essay
correct         bool
score           float
fullScore       float
errorType       string    # concept | calculation | carelessness | expression | other
relatedKps      []string  # 关联的知识点ID列表
aiHint          string    # 自动生成的提示（错在哪、思路引导）
teacherComment  string    # 教师批注（可选）
```

## 掌握度计算

掌握度 = 该知识点关联题目的加权正确率

```
KP_mastery(student, kp) = Σ(question_score * weight) / Σ(question_fullScore * weight)
```

分级标准：
- ≥ 80% — **掌握 (Mastered)**
- 60%-80% — **需巩固 (Needs Review)**
- < 60% — **薄弱 (Weak)**

references/ocr-implementation.md

# OCR引擎选型与拍照批改技术方案

> 适用于中国中小学作业批改场景的OCR技术选型指南与拍照批改工作流程

## 一、业务需求分析

### 1.1 核心场景

| 场景 | 输入 | 输出 |
|------|------|------|
| 客观题批改（选择题、填空题、判断题） | 学生答题卡/作业纸照片 | 逐题对错标注 + 知识点关联 |
| 主观题批改（简答题、计算题、作文） | 学生手写答案照片 | 识别文字内容 + 人工复核接口 |
| 错题收集 | 批改后的作业照片 | 错误类型分类 + 知识点薄弱标记 |

### 1.2 特殊要求

- **手写体识别准确率** ≥ 95%（对小学生字迹的容忍度要高）
- **拍照即识别**：普通手机拍摄即可，不需要专业扫描仪
- **倾斜校正与增强**：自适应处理各种拍摄角度和光线
- **批量处理**：一次拍照可识别多页/多人作业

---

## 二、国内主流OCR引擎对比

| 对比项 | PaddleOCR（推荐） | 百度OCR教育版 | 腾讯OCR | 阿里OCR |
|--------|:----------------:|:-------------:|:-------:|:-------:|
| **开源性** | ✅ 全开源 | ❌ 商业API | ❌ 商业API | ❌ 商业API |
| **手写体识别** | ✅ 支持（模型可微调） | ✅ 教育专用接口 | ⚠️ 通用手写 | ⚠️ 通用手写 |
| **部署方式** | 本地/云端均可 | 云端API | 云端API | 云端API |
| **离线能力** | ✅ 完全离线可用 | ❌ 需联网 | ❌ 需联网 | ❌ 需联网 |
| **教育适配** | ⚠️ 需微调训练 | ✅ 有教育专用模型 | ❌ 通用模型 | ❌ 通用模型 |
| **数学公式** | ✅ 支持 | ✅ 支持 | ⚠️ 有限支持 | ⚠️ 有限支持 |
| **英文混合** | ✅ 中英混合 | ✅ 支持 | ✅ 支持 | ✅ 支持 |
| **批量并发** | 本地控制 | API限速 | API限速 | API限速 |
| **成本** | 免费 | 按调用量计费 | 按调用量计费 | 按调用量计费 |
| **社区活跃度** | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐ | ⭐⭐ |
| **文档完善度** | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐ |

### 2.1 推荐选型：PaddleOCR（百度飞桨）

**核心优势：**
1. **开源免费** — 无调用次数限制，适合学校大规模使用
2. **可本地部署** — 支持CPU推理，普通教室电脑即可运行
3. **模型可微调** — 可用本校学生字迹数据微调，持续提升准确率
4. **数学公式识别** — 支持 LaTeX 格式输出，适合理科作业
5. **社区生态** — 国内活跃度最高的OCR开源项目

**不足与弥补：**
- 初始部署需要一定技术门槛 → 提供 Docker 一键部署方案
- 手写体模型需要微调 → 提供预训练模型 + 微调教程

### 2.2 备选方案：百度OCR教育版

适用于没有本地部署条件、愿意付费的学校：
- 有教育专用接口，手写体识别经过教育场景优化
- 支持作业批改场景的特殊需求

---

## 三、拍照批改完整工作流

### 3.1 教师操作流程

```
┌────────────────────────────────────────────────────────┐
│                    教师端操作流程                       │
├────────────────────────────────────────────────────────┤
│  ① 打开App → 选择"批改作业" → 选择班级 + 科目         │
│  ② 拍照学生作业（单页/连续多页）                       │
│  ③ 系统自动：裁剪→倾斜校正→增强→OCR识别               │
│  ④ 系统自动：比对标准答案 → 标注对错 → 关联知识点     │
│  ⑤ 教师复核（重点复核主观题）                           │
│  ⑥ 确认批改完成 → 系统生成评估数据                     │
└────────────────────────────────────────────────────────┘
```

### 3.2 技术处理流水线

```yaml
输入层:
  - 手机摄像头拍照（推荐分辨率 ≥ 1080p）
  - 相册导入已有照片
  - 批量导入（PDF/图片文件夹）

预处理层:
  - 自动边缘检测 + 透视校正（矫正拍摄角度）
  - 自适应二值化（增强对比度）
  - 去噪 + 去阴影
  - 版面分析（定位题目区域 → 答题区域 → 评分区域）

识别层:
  - PaddleOCR 通用文字识别
  - 手写体专用模型（可用学校数据微调）
  - 数学公式识别模型（输出LaTeX）
  - 表格识别（针对答题卡）

后处理层:
  - 与标准答案比对（精确匹配 / 语义相似度匹配）
  - 错误类型分类（概念/计算/审题/表述）
  - 知识点关联（根据题目编号 → 知识点映射表）
  - 得分计算 + 对错标注

输出层:
  - 逐题批改结果（JSON格式）
  - 错题提示文本（适合学生理解的语言）
  - 统计汇总（正确率、薄弱知识点等）
```

### 3.3 关键接口定义

```typescript
// 批改请求
interface BatchRequest {
  classId: string;
  subjectId: string;
  assignmentId: string;
  images: ImageData[];       // 拍照/导入的图片
  answerKey: AnswerKey;      // 标准答案（教师预先提供或系统题库）
}

// 批改结果
interface BatchResult {
  studentResults: StudentResult[];
  classSummary: ClassSummary;
  kpAnalysis: KPAnalysis[];  // 知识点掌握分析
}

// 逐题批改
interface QuestionResult {
  questionId: string;
  isCorrect: boolean;
  score: number;             // 满分 / 得分
  errorType?: ErrorType;     // 错误类型
  hint: string;              // 提示文本
  kpIds: string[];           //

Sponsored

Ads related to 作业批改与学生学业综合评估Skill and adjacent AI workflows.