modeling-paper-rubric-and-model-selector

用途

本技能（Paper Rubric & Model Selector）用于数学建模论文写作的两件核心事：一是按常见评分点生成论文结构与写作清单，二是根据题目类型与数据条件给出模型选择与对照实验路线。当需要「论文格式/评分对齐/模型选型/路线不确定」时调用。

主要能力

一页纸题意对齐：对每一问列出输入、输出、评价指标、关键约束、边界条件、可行验证方式。
论文大纲：按评分友好顺序组织，包含摘要、问题重述、模型假设、符号与变量说明、数据说明与预处理、模型建立、求解方法与实现、结果与分析、模型检验、结论与建议、不足与展望、参考文献、附录等。
评分点对齐表：以「证据」为核心，输出「评分点 → 提供的证据 → 论文位置（章节/图表/表格/实验）」的映射。常见评分点包括题意理解准确、模型合理性、方法创新/改进、结果可信、表达清晰、可复现。
模型选型与路线：对每一问输出任务类型判定、最小可用基线、一到两条改进路线、验证计划与风险点。

模型选型速查（按常见问法）

预测类（时间序列/回归）：基线为移动平均/指数平滑/线性回归/ARIMA；改进为特征工程加树模型，或样本量足够时用 LSTM/Transformer；验证用滚动回测、MAPE/RMSE、置信区间/误差分解。
分类/判别：基线为逻辑回归/朴素贝叶斯；改进为随机森林/梯度提升、代价敏感学习；验证用 AUC/F1/PR 曲线、混淆矩阵、阈值敏感性。
评价/排序/综合指数：基线为规范化加加权和；改进为熵权/CRITIC/AHP/TOPSIS/VIKOR；验证用权重敏感性、排名稳定性、与已知事实对照。
优化/调度/选址/路径：基线为线性规划/整数规划；改进为多目标（加权/ε-约束）、启发式（遗传/模拟退火）；验证用可行性检查、基准对照、约束违背率、复杂度与时间。
聚类/分群/画像：基线为 K-means/层次聚类；改进为 GMM/DBSCAN；验证用轮廓系数/稳定性与群体差异描述。
机理/仿真/系统动力学：基线为微分/差分方程/系统动力学；改进为参数校准加不确定性分析，并与数据驱动模型对照；验证用历史拟合、情景一致性、参数敏感性。

使用方式

技能可通过脚本入口运行：python .claude/skills/modeling-paper-rubric-and-model-selector/scripts/build_model_route.py。该脚本读取 paper_output/step1/problem_analysis.json，并将模型路线与评分闭环写入 paper_output/plan/；若该文件不存在，应先运行 problem-doc-model-selector。

支持附加外部「论文结构提示词」资源，两种方式任选其一：

路径引用（推荐）：调用时提供 paper_prompt_path，例如 paper_prompt_path: <项目根目录>\paper_output\plan\paper_prompt.md。
直接粘贴：调用时提供 paper_prompt_text，把论文结构提示词全文粘贴进去。

优先级规则：若提供 paper_prompt_text 则优先使用该文本；否则使用 paper_prompt_path；若两者都没有，则使用默认提示词文件 references/paper_prompt_default.md。不提供两者时，技能维持原有默认行为正常输出。

输入

尽量提供：比赛名称/年份/题号（可选）、题面原文或关键要求（必须）、对每问的理解（可选但强烈建议）、数据情况（来源、字段、时间跨度、样本量、缺失比例，可选）、约束与输出（预测/优化/评价/分类/聚类/仿真/调度等，必须）、想强调的亮点（可选）。

输入契约：执行前优先读取 paper_output/step1/problem_analysis.json；若存在，必须以其中 questions[] 作为唯一子问题来源。

输出

paper_output/plan/model_route.json：每一问的模型路线、验证计划、图表证据与章节落点。
paper_output/plan/rubric_alignment.json：评分点、证据形式和 QA 规则映射。
paper_output/plan/scoring_strategy.md：给人和 Agent 阅读的评分闭环说明。

这些 JSON 为项目自定义 workflow contracts，不是平台内置标准。

工作流协作约束

本技能不得作为孤立入口。用户要求完整论文、生成 Word、继续流程或不确定阶段时，先回到 paper-workflow-orchestrator 判断当前 S0-S8 阶段。启动或继续正式任务前必须运行：python .claude/skills/paper-workflow-orchestrator/scripts/workflow_guard.py --skill modeling-paper-rubric-and-model-selector。若输出 [WORKFLOW FAIL] 或报告 status != "PASS"，应停止并按 paper_output/qa/workflow_guard_report.json 的失败项回补前置阶段。长对话中若上下文变长或阶段不确定，先运行 workflow_guard.py --status 并读取相关报告，按报告的 recommended_skill 与 next_action 继续；若 workflow_memory.json 与 guard 报告不一致，以 guard 报告为准。

向下游交接：quality-assurance-auditor 读取模型路线生成 tasks.json；paper-micro-unit-generator 通过 tasks.json 使用模型、验证和评分字段。推荐下一步：若需要外部数据，进入 authoritative-data-harvester；否则进入 data-cleaning-and-visualization。

防跑偏硬规则

每一问至少给出一个「可量化输出」和一个「可验证指标/检验方式」。
模型中的每个关键变量都能在题面/数据里找到定义与单位。
图表和结论逐问对应。
至少一个基线对照。

目录约定

赛题与附件统一放在 problem_files/，补充数据放在 crawled_data/；建议把本技能输出归档到 paper_output/plan/。默认提示词文件为 references/paper_prompt_default.md。

限制与注意事项

技能说明中指出，本技能必须输出「评分点 → 证据 → 论文位置」的映射清单，后续产文时必须能逐条落到具体章节/图表/表格，否则视为未对齐；若输出中要求数据预处理/可视化证据，后续必须调用 data-cleaning-and-visualization 产出 paper_output/figures/。若用户目标是论文生产完整，本技能结束后必须明确下一步。

关于收费、价格、适用平台或其他未在资料中说明的信息，暂未提供。