欢迎访问上邦|专注企业 AI 数字化转型落地 · 咨询热线 400-667-6771
免费咨询
首页 / 资讯中心 / 技术干货 / 文章详情
技术干货

以教学点为主键:大纲、课件与题库的覆盖度核对方法

上邦 RAG 团队2026-11-03阅读 约 7 分钟
培训机构常把资料齐全当成教学就绪,结果出现大纲有课件无、课件有题目无、题目有解析无三种错位。本文给出一套可复算的核对方法:把大纲抽成教学点主表并编永久编号,让课件与题目挂到编号上,用对照矩阵算覆盖率与缺口分档,再按考核权重、缺口深度与复用频次排序补齐,并把重复率纳入同一张验收表。
结论先说:这套核对只在一种条件下成立——课程已经有成文大纲,题库是按知识点组织而不是按套卷堆放。做法是把大纲里的教学点编成唯一编号,让每份课件、每道题都挂到编号上,用一张对照矩阵算出每个教学点的课时与题量覆盖,缺口按考核权重排序补齐。一个 200 个教学点、1000 道题的科目,首次核对需要 2 人 3 到 4 天,之后每次复检约 2 小时。最容易踩的坑是把章节目录当主键:目录会改名、会合并、会按学期调整,主键一旦随目录漂移,历史题量统计全部作废。

文档都在,为什么还是教不出来

培训机构最常见的判断失误,是把资料齐全当成教学就绪。实际上有三种错位同时存在:大纲里有、课件里没有,某个教学点只在目录上存在,讲课时被一句带过;课件里有、题目里没有,讲了但没练也没考;题目有、解析没有,考了却说不清依据是什么。这三种错位平时看不出来,只在两个时刻暴露——新讲师接手备课,以及学员考不过要复盘。
前者会发现自己讲不全,只能凭经验补,补出来的内容和考纲对不上;后者会发现某类题反复错,却找不到对应的讲义页。此时常见反应是再写一份讲义,但真正的问题不在内容多少,而在讲什么、练什么、考什么这三件事从来没有对齐到同一套编号上。
对齐是有现成骨架的。据公开信息,人力资源社会保障部《职业培训包开发技术规程(试行)》把课程结构拆成教学模块、课程单元、教学点三级,并明确教学点是最小、不可再拆分的培训知识要点;同一份规程还要求培训要求与课程规范对照编制,也就是要求把技能要求和课程内容逐条挂接。这个结构拿来当主键正合适,不必自己发明一套层级。

主键不能是章节目录,只能是教学点

目录是给人看的,教学点是给系统算的。目录有三个不稳定特性:命名随讲师偏好变化,三相异步电动机和异步电机原理指的是同一件事;层级随学期合并或拆分;序号常常是手打的 1.1、1.2,改版后还会重号。用目录做主键,第一年统计出来的覆盖率,第二年就没法和自己比。
教学点级主键的稳定性来自它的定义:一个教学点只描述一件可考核的事。它不承担组织功能,只承担计量功能。这和文档入库时给每份文档定版本号是同一个道理,编号职责越单一,后面越省事。
四步落地:
1. 抽结构:从大纲文档按标题层级抽出三级,落成三列基础表
2. 编编号:按模块、单元、序号生成永久编号,删除不回填
3. 打标签:课件按标题段落挂点,题目按题干与解析挂点
4. 建矩阵:以教学点为行,以讲义、案例、题量、解析为列,填计数

第一步:把大纲抽成可计算的表

别手工誊抄。两百个教学点抄一遍要两天,抄完还得再对一遍。用 python-docx 按样式名判断层级,比按段落文字猜层级稳得多。
from docx import Document

LEVEL = {'Heading 1': 1, 'Heading 2': 2, 'Heading 3': 3}

doc = Document('syllabus.docx')
rows, cur = [], {'m': '', 'u': ''}
for p in doc.paragraphs:
    lvl = LEVEL.get(p.style.name)
    txt = p.text.strip()
    if not txt:
        continue
    if lvl == 1:
        cur['m'] = txt
    elif lvl == 2:
        cur['u'] = txt
    elif lvl == 3:
        rows.append((cur['m'], cur['u'], txt))

print(len(rows))
三个必须处理的例外。一是自动编号:大纲常用 Word 自动编号,段落的 text 只取到文字,编号在编号域里,按顺序补序号即可,不要试图解析编号域。二是列表式教学点:有些大纲三级以下是项目符号列表而不是标题样式,需要回退到样式为空、但以圈码或短横线开头的段落。三是表格大纲:一格一个单元的版式在培训行业很常见,得单独遍历 doc.tables,把首列当单元、次列当教学点。这三类处理完,抽出来的表才算完整。
抽出来先别急着编号,做一次人工过目:合并同一知识点的两种叫法,把了解、熟悉、掌握这类程度词从名称里剥离——程度词决定的是考核深度,不是知识点本身,混在名称里会让同一知识点裂成三行。

第二步:编号规则定三条就够

编号规范:
1. 格式形如 K-03-02-07,K 表示课程,中间两段是模块与单元序号,末两位是教学点序号,可读也可排序
2. 编号只在新增时分配,删除后留空号,永不复用——复用是这类系统最容易犯的错,停开的教学点被新内容顶替编号,历史统计立刻失真
3. 单元合并时,老编号保留并标记为已废止,新增合并后的编号,两者之间建一张映射表,保证旧报表可追溯
还有一条隐含要求:编号与大纲版本解耦。大纲每学期改,编号不跟着改,只在大纲表里加一列版次。这样做的好处是,跨学期的覆盖度变化可以直接比较,不必做口径转换。

第三步:给课件和题目打标,七成靠规则

打标不要追求全自动。经验比例是规则先跑七成,人工复核剩下三成,人工力气集中在两类结果上:零命中与多命中。命中率高的那部分基本不用看。
规则库可以只用三类信号。标题命中:课件小标题与教学点名称做 2-gram 重叠,重叠率超过 0.6 直接挂接,这条能覆盖大部分结构化课件。术语命中:每个教学点配三到五个必须出现的术语,术语从大纲原文和历年真题里抽,不靠人想。联合命中:答案里出现该术语而题干里没有,权重减半——这类题考的是应用,不是定义。
def grams(s, k=2):
    s = ''.join(ch for ch in s if ch.strip())
    return {s[i:i + k] for i in range(max(0, len(s) - k + 1))}

def score(point_name, term_list, heading):
    a, b = grams(point_name), grams(heading)
    if not a or not b:
        return 0.0
    overlap = len(a & b) / len(a | b)
    hit_term = sum(1 for t in term_list if t in heading)
    return overlap + 0.1 * hit_term
多命中的处理要提前定规则。一道综合题同时涉及两个教学点是常态,允许一对多,但矩阵里必须分主次权重:主考点记 1.0,次考点记 0.5。全额计入会让覆盖率虚高,一道题被算两次,报表好看但抽题时会发现某个教学点其实只有两道题。
零命中先别删。十有八九是教学点名称写得太抽象,比如掌握基本概念、了解相关要求,这类名称本身就不可检索。正确做法是回到大纲原文,从培训要求里补出术语,再把名称改写一遍。改写这一步顺便提升了后续 AI 问答的召回率,因为检索用的也是同一套术语。
打标结果必须落成一张独立的关系表,一行一个关系,字段是资产类型、资产编号、教学点编号、主次权重。绝对不要在课件主表里用逗号塞多个编号——后面所有统计都要从这张关系表出发,逗号一塞,统计就只能靠字符串匹配,错一次查半天。

第四步:覆盖率矩阵与缺口分档

矩阵有四个计数列:讲义页数、案例数、题量、解析条数。覆盖率算两个口径,缺一不可。教学点覆盖率等于有题的教学点数除以教学点总数,回答的是有没有;题量覆盖率等于实际题量除以应有题量,回答的是够不够。只报第一个,会出现覆盖率九成、但一半教学点只有一道题的假象。
应有题量不能拍脑袋。据公开信息,重庆市职业技能鉴定指导中心 2025 年发布的试题资源开发通知要求:每个职业每个等级考评点不少于 200 个,每等级题量不少于 1000 题,同一等级各套试卷之间试题重复率原则上不高于 5%。按这组参数反推,平均每个考评点对应 5 道题。这是一个可以直接拿来当下限的锚点,实际可按科目难度上下浮动三成,但要有依据,不能凭感觉打折。
import openpyxl
from collections import defaultdict

wb = openpyxl.load_workbook('map.xlsx', read_only=True)
ws = wb['relation']
cnt = defaultdict(lambda: {'p': 0, 'c': 0, 'q': 0, 'a': 0})
for row in ws.iter_rows(min_row=2, values_only=True):
    kind, _, pid, w = row[0], row[1], row[2], row[3] or 1.0
    key = {'lecture': 'p', 'case': 'c', 'question': 'q'}.get(kind)
    if key:
        cnt[pid][key] += w
    if kind == 'question' and row[4]:
        cnt[pid]['a'] += w

total = len(cnt)
covered = sum(1 for v in cnt.values() if v['q'] > 0)
print(total, covered, round(covered / total * 100, 1))
分档用三档就够,档位太多反而没人看。A 档零题,属于不可考,最高优先;B 档一到两题,抽题时会反复撞题,属于结构性不足;C 档三到四题,基本可用但缺少变式。另外单独加一列解析缺失:题在、解析为空。这类题在人工考试里还能凑合,在 AI 问答里几乎不可用,因为模型只能给出答案而说不出依据,用户不敢采信。

缺口补齐的顺序,不要按章节来

按章节顺序补是最常见的低效做法:从第一章开始,补到第三章预算就花完了,而分值最高的模块在第七章。正确排序是三个因子相乘。
优先级打分:
1. 考核权重:取考纲的分值占比,或历年真题的题量占比,二者取大
2. 缺口深度:A 档记 3,B 档记 2,C 档记 1
3. 复用频次:该教学点被多少份课程规范或班型引用,去重计数
4. 优先级分等于三者相乘,取前 20% 本学期补,其余排入下学期计划
复用频次这一项常被忽略,但它决定了投入的摊销。一个只在一个班型里出现的教学点,补十道题的成本只能摊到一个班;一个被五个岗位课程共用的教学点,同样十道题摊到五个班。同样的预算,后者的单位收益高五倍。

复检:把重复率也放进同一张表

覆盖率只说明有没有,重复率说明够不够多样。同一科目各套卷重复率高,学员刷三套就能押中,考试就失去了区分度。上面那份通知给的上限是 5%,这个数可以直接当验收线。
比对不必上语义模型,题干指纹跑得快也可解释。先规范化:去掉标点、去空格、把所有数字统一成同一个占位符;再取 5-gram 集合,用杰卡德相似度卡阈值。相似度超过 0.8 视为同一题,0.6 到 0.8 之间人工过一遍——这一段里多数是同一知识点的不同问法,属于正常现象,不该当重复处理。
PUNCT = set(',。;:、()()【】??!!..,')

def norm(s):
    s = ''.join(ch for ch in s if ch not in PUNCT and not ch.isspace())
    return ''.join('#' if ch.isdigit() else ch for ch in s)

def shingles(s, k=5):
    s = norm(s)
    return {s[i:i + k] for i in range(max(0, len(s) - k + 1))}

def jac(a, b):
    if not a or not b:
        return 0.0
    return len(a & b) / len(a | b)
别把重复率当唯一质量指标。同一个教学点有六道不同情境的题,比三道只改数字的原题有用得多。重复率高往往不是出题人偷懒,而是可用素材少——这种情况下先补案例,再补题。

三个容易做错的判断

三个常见误判:
1. 拿课件页数当覆盖。页数多不等于讲到了,某份八十页的课件可能有一半是附录表格,按标题段落实数才准
2. 用题量总数掩盖结构缺口。总题量达标但集中在两三个单元,是典型的总量合格、结构断档,抽题时必然暴露
3. 把一次性核对当项目收尾。大纲每学期改、题库每季度增,核对必须做成可重复执行的脚本,否则第二学期就要重来

交付物与复检节奏

交付物是四样东西,缺一样这套方法就跑不起来。教学点主表,含编号、名称、模块、单元、版次、状态;资产与教学点的关系表,一行一个关系,带主次权重;覆盖矩阵与缺口清单,按优先级分排序;复检脚本,一条命令出报表。前三样是数据,第四样是让数据能持续更新的东西。
节奏上,首次核对 2 人 3 到 4 天,主要时间花在大纲清洗和打标复核;此后每学期大纲定稿后跑一次,约 2 小时;新增题目入库即打标,不攒到期末。攒着做是这类工作最常见的失败方式,一次补三百道题的打标,没人愿意干。
这套核对对文档量和题库规模没有要求,真正的要求是编号纪律。上邦在给培训机构与企业内训部门做企业知识库时,用的是同一条思路:先定编号,再谈切片与检索,否则每换一次目录结构,历史数据都要重来。文档入库与检索链路的细节,可以参考私有 AI 知识库里的实现说明;涉及学员信息与内部考纲的部署边界,私有化部署方案里有更完整的说明。

参考来源

职业培训包开发技术规程(试行) - 人力资源社会保障部
人力资源社会保障部办公厅关于推进职业培训包工作的通知(人社厅发〔2016〕162号) - mohrss.gov.cn
关于开展 2025 年职业技能等级认定试题资源开发工作的通知 - 重庆市职业技能鉴定指导中心
相关标签:企业AI知识库教育培训课程覆盖度题库治理RAG

免费咨询上邦技术顾问

一对一上邦方案顾问对接 · 免费定制企业专属 AI 数字化转型方案

立即获取上邦方案