设计测验生成器

问题

做企业培训或课程交付时，测验往往不是“出几道题”那么简单。如果题目只覆盖知识点，学员可能记住定义却不会在实际对话或流程中应用。反过来，只堆场景题又会让难度失控，前测和后测之间无法比较。更麻烦的是，多人协作编写测验时，题目类型、认知层级、难度比例和解析标准经常不一致，导入表单系统后还要手工整理格式。

这个技能要解决的问题是：把已有培训内容转换成一套结构化测验，使它真正测量学习成果，而不是变成知识点的随机抽样。它把出题流程拆成可检查的步骤，避免“题目看着不少，但有效信息很少”的情况。

如何工作

1. 从学习成果反向设计

技能不从章节标题开始，而从学习成果开始。每个成果都要映射到合适的题型：

• Apply [model] to [skill] → 场景题
• Distinguish concepts → 单选题
• Analyze using framework → 应用题
• Design action plan → 案例分析题

这个映射的意义在于，出题目标不是“覆盖某章”，而是“学员是否能达到某个行为表现”。

2. 检查 MECE 覆盖

技能要求题目在模块之间既不遗漏也不重复。它关注比例覆盖、难度平衡和主题完整性。这比“每章出两道题”更严格，因为两道题可能都考同一个点。

3. 按题型设计题目

不同题型适合不同认知任务。单选题适合概念、模型和框架；多选题适合存在多个合理路径的复杂理解；场景题适合判断和迁移；判断题适合快速纠偏；填空题适合关键术语；开放题适合综合应用和产出。技能会避免 all of the above 或 none of the above 这类降低诊断质量的选项。

4. 平衡 Bloom's Taxonomy

技能会按记忆/理解 30-40%、应用 30-40%、分析/评价 20-30%、创造 10-20% 的比例组织题目。这不是机械配额，而是保证测验不会全部停留在低阶认知。

5. 设定难度与答案解析

难度按 Easy、Medium、Hard 大致分配为 20-30%、50-60%、10-20%。每道题都需要答案、分值、理由和常见错误说明。如果学员选错，解析要能解释为什么错误选项不成立，而不是只给出正确答案。

6. 输出结构化结果

技能可以按 Jinshuju 表单 DSL 格式输出，便于直接导入表单系统。后续字段会分步补充，因此当前介绍只描述生成逻辑，不把表单格式当作核心卖点。

边界与注意

它不负责生成培训内容，也不负责判断课程是否设计得好。如果原始培训材料本身目标不清，生成的题目会继承这种混乱。它适合已经具备明确学习成果、关键框架和案例素材的培训场景。对于高度依赖主观评分的开放式任务，仍需人工评审标准。