補習班作業批改輔助與錯題彙整

🎯 這條流程解決什麼

補習班老師每天最磨人的工作之一就是批改作業。一個老師帶好幾個班、每班二三十人，每天收回來的作業堆成一疊，其中選擇題、填充題、計算題的「對答案」環節最機械、最耗時——答案就在標準解答上，老師卻得逐題逐人比對打勾打叉，這種重複勞動佔掉批改時間的一大半，卻完全用不上老師的專業。

改完之後還有第二層工作：記錄誰常錯哪一題、班上普遍卡在哪個觀念。但現實是老師改到後面眼睛都花了，根本沒餘力做統計，於是「這班的弱點」全憑印象，而不是數據。結果補強的方向不夠精準，常常花時間複習大家都會的，真正全班都卡的觀念反而沒被系統性地補起來。

助教人力又永遠不夠。一旦批改塞車，作業拖了三四天才發回，孩子早就忘了當時是怎麼想的，訂正變成抄答案，補強完全跟不上進度。以一位老師每天批改 4 個班、約 100 份作業估算，光是對選擇與填充題的答案，每天就要耗掉 1.5 到 2.5 小時的機械勞動，一週累積十幾個小時。這條流程要解決的，正是「對答案太花時間、弱點靠印象不靠數據、批改塞車拖累補強」這三個痛點。

可與 /workflows 的成績通知、點名進度流程串接，從批改到補強一氣呵成，更多 OCR 與 AI 判讀設計見 /recipes，完整的批改 /automation 也能由此延伸。

導入後的改變

導入前：老師每天花 1.5 到 2.5 小時逐題對答案；班級弱點憑印象；批改塞車時作業拖好幾天才發回；訂正常變成抄答案。

導入後：學生上傳作業後，AI 先把客觀題對完、標出疑似錯題，老師接手時看到的是「已經初步圈好錯題、附上班級弱點統計」的半成品，只需專注在複核訂正、判斷計算過程與設計補強。

合理的效益估算：客觀題的機械對答案環節大幅自動化，老師每天能省下約五到七成的批改機械工時，把這些時間還給教學設計與個別指導；作業發回的速度從「三四天」縮短到「隔堂甚至當天」，訂正趁熱進行，補強真正跟上進度；班級弱點從「老師的印象」變成「題型統計數據」，補強方向更準，同樣的補課時間效果更好。對補習班而言，這不只是省時間，更是把老師的專業從重複勞動裡解放出來，用在真正創造價值的地方。

流程怎麼運作

對應 frontmatter 的五個節點，逐步說明：

1. 接收作業（📤）：學生用 LINE 或上傳連結把作業照片、掃描檔交上來，系統依學生與班級資訊自動歸入對應的 Google Drive 班級資料夾，檔名統一命名（班級＋學生＋日期），方便後續調閱。

2. 辨識題目（🔍）：用 OCR API 擷取作業上的題號與作答內容，把一張照片轉成結構化的「第幾題、學生填了什麼」的資料，整理成待批清單。

3. 初步比對（🤖）：AI 批改 API 拿學生作答對照題庫標準答案，把客觀題的對錯先判出來，標出疑似錯誤的題目；遇到計算過程、申論等不適合自動判定的題型，則標為「待老師確認」而不直接給分。

4. 錯題彙整（📋）：把初判結果依學生與題型整理成錯題清單，同時往上統計——這次作業全班在哪幾題、哪個觀念錯最多，形成班級共同弱點報表。

5. 老師複核（👩‍🏫）：所有 AI 初判結果送老師人工複核。老師確認客觀題、親自批改主觀題與計算過程、訂正 AI 可能的誤判，全部確認後才回饋給學生與家長。AI 只是把重複工作先做掉，最終評量權始終在老師手上。

需要的工具與串接重點

• 平台（n8n / Make）：作業含學生學習資料，建議用可自架的 n8n。流程以「新作業上傳」事件觸發，串起 OCR、AI 批改、彙整、送審的各節點。
• Google Drive：作業原檔的儲存與歸檔處，以班級資料夾分層管理，權限限定該班老師與助教。
• OCR API：把手寫或列印的作答辨識成文字。手寫辨識本就有誤差，要把信心度低的辨識結果一併標出來提醒老師留意。
• AI 批改 API：負責客觀題比對與弱點歸納。提示詞要明確界定「哪些題型可自動判、哪些必須交人工」，並要求對不確定的一律標待確認、不擅自給分。
• Google Sheets：存放錯題清單與班級弱點統計，當作老師複核與補強規劃的工作面板。
• LINE Official Account：作業上傳的入口與訂正結果回饋的出口。

串接注意點：手寫辨識準確度有限，務必保留原始照片讓老師對照；AI 判定要與標準答案題庫綁定，題庫一更新流程要同步；信心度低的辨識與判定要醒目標示，引導老師重點檢查。

常見錯誤與注意事項

• AI 批改只是初步輔助、絕不取代老師評量：選擇、填充等客觀題 AI 比對較可靠，但計算過程、申論、作文的評分判斷力有限。所有自動判定結果務必經授課老師人工複核訂正後，才能作為正式成績或回饋給學生。系統不取代老師的專業評量判斷，這條底線不能退讓。
• 手寫辨識誤差要防呆：OCR 對潦草手寫常出錯，把學生寫的 7 看成 1、把 b 看成 6 都可能發生，務必保留原圖供老師核對，不可只看辨識後的文字就定對錯。
• 學生作業屬個人學習資料：上傳與儲存須限定班級權限存取，避免外流；不再需要的舊作業應定期清理。
• 誤判會打擊學生信心：若把學生答對的判成錯、退回去要訂正，孩子會困惑甚至失去信任，所以「老師複核」這一關絕不能省，尤其是 AI 標為錯但學生堅持答對的題目。
• 別讓統計凌駕教學判斷：班級弱點統計是參考，老師仍要結合課堂觀察判斷真正該補強什麼，數據不該機械式地決定教學。

台灣中小企業情境案例

桃園一間國中數理補習班，三位老師每天要批改四到五個班的數學與理化作業，客觀題對答案佔掉每人每天近兩小時，批改一忙，作業常拖到第三天才發回，孩子訂正時早忘了當初的解題思路。導入這條流程後，學生當天用 LINE 把作業傳上來，AI 先把選填題對完、圈出疑似錯題，並統計出「這次全班有六成在同一個公式應用題卡住」，老師複核時直接看半成品，把省下的時間拿去訂正主觀題與設計補強。

老師的回饋是：作業大多能隔堂就發回，訂正趁熱進行，孩子的吸收明顯變好；更關鍵的是，過去靠印象抓弱點，現在看統計才發現某個觀念是全班通病，於是專門花一堂課重講，下次作業同一題型的錯誤率明顯下降。對這間補習班來說，AI 沒有取代老師改作業，而是把老師從機械對答案裡解放出來，讓專業用在真正需要判斷的地方，教學品質反而往上走。

延伸應用

• 個人錯題本自動生成：把每位學生長期累積的錯題依題型彙整成專屬錯題本，定期推送，讓孩子針對自己的弱點複習。
• 串接成績與進度通知：把作業正確率與錯題趨勢併入成績通知流程，讓家長看到的不只是考試成績，還有平時的學習狀況。
• 自動生成補強練習：依班級或個人弱點題型，從題庫自動抽出對應練習，把「發現弱點」直接接到「補強行動」。
• 作業繳交狀況追蹤：結合點名進度流程，自動偵測誰沒交、誰遲交，提醒老師與家長，減少漏交。
• 跨次比對進步：對同一題型在不同次作業的正確率做趨勢比對，量化補強成效，讓老師知道哪種補強方式最有效。

流程圖

用到的工具

更多「教育學習」工作流

瀏覽全部工作流藍圖 → 自動化工作流中心 → AI Skills 食譜庫 →