SKILLEMALL.ai

AC rt-attention-analysis

Обрабатывает данные времени реакции (RT) и точности из задач непрерывной производительности / устойчивого внимания (PVT, SART, gradCPT). Вычисляет скользящие средние окна RT, кумулятивное среднее и стандартное отклонение, пороговые значения быстрого/медленного срабатывания в реальном времени (μ±σ), обнаружение пропусков, вариативность RT и статистику бутстрэпа / размера эффекта; строит графики временных рядов RT с маркерами срабатывания. Используйте, когда у пользователя есть данные RT или поведенческой производительности, и он хочет обнаружить пропуски внимания, выполнять срабатывание в реальном времени или анализировать устойчивое внимание.

машинный переводПоказать оригиналСкрыть оригинал«Processes reaction-time (RT) and accuracy data from continuous-perform…»

Processes reaction-time (RT) and accuracy data from continuous-performance / sustained-attention tasks (PVT, SART, gradCPT). Computes trailing-average RT windows, cumulative mean and standard deviation, real-time fast/slow triggering thresholds (μ±σ), lapse detection, RT variability, and bootstrap / effect-size statistics; plots RT time series with trigger markers. Use when the user has RT or behavioral performance data and wants to detect attentional lapses, run real-time triggering, or analyze sustained attention.

ClawHub Agent Skills автор: guigui855 v1.0.1 MIT-0 5 файлов тело ≈ 612 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Обрабатывает данные времени реакции (RT) и точности из задач непрерывной производительности / устойчивого внимания (PVT, SART, gradCPT).

Как процесс C 64/100 · Есть пробелы — слабые места: результат и критерий готовности, ошибки и развилки, повторный запуск

АнализаторДанные и аналитикаИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
96/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
91
Прогон на моделях
не было
Процессный рейтинг
C
64/100
Есть пробелы
Результат и критерий готовности вес 14
0
Ошибки и развилки вес 10
0
Отчётность по ходу вес 2
0
три самых слабых из десяти параметров · все десять

Как улучшить

    Для прогона на моделях — необязательно
    • Свои кейсы (evals/evals.json, 4–6 реальных запросов с ожидаемыми ответами): тогда полная проверка прогонит именно их, а не черновик от модели.
    • spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.

    Находки guard · 0

    ✓ Критических и высоких находок нет

    Просканировано файлов: 5. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

    По спецификации Agent Skills

    ✓ По спецификации Agent Skills замечаний нет

    Процессный рейтинг: все десять параметров 64/100

    • 0Результат и критерий готовности. Не сказано, что считать результатом
    • 0Ошибки и развилки. Линейный процесс без обработки сбоев
    • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
    • 30Повторный запуск. Изменяющих операций: 1, без проверки текущего состояния
    • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
    • 70Входы и предусловия. Входные данные и предусловия перечислены
    • 100Инструменты и файлы. Внешние инструменты не нужны
    • 100Шаги. Шагов: 14
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 612 токенов

    Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.

    Сигналы качества

    • +5В description нет примеров фраз, по которым скилл должен срабатывать
    • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
    • +3Формат ответа не описан: модель каждый раз решает сама
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +3Длина description 521 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 7 заголовков
    • +3Пошаговые инструкции: 14 пунктов
    • +4Есть примеры (1 блоков кода)
    • +4Справочные файлы упоминаются в инструкциях (1 из 1)
    • +3Все 2 скриптов описаны в инструкциях

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 91.

    Внешние проверки

    ClawHub: clean
    This skill is a local reaction-time data analysis helper that reads user-provided datasets and writes reports without hidden network, credential, or persistence behavior.
    LLM: benign (high) · VirusTotal: · 27 авг. 2026 г.