关于 skills-proficiency-mapper
skills-proficiency-mapper 是一项为技能设定可衡量熟练度并检查课程进阶的技能。它依据 CEFR、Bloom's taxonomy 和 DigComp，并检查先修条件、一致性及评估与等级的匹配度。
主要功能
- 01依据 CEFR、Bloom's 和 DigComp 映射技能
- 02定义可衡量的熟练度指标
- 03检查进阶过程中是否倒退
- 04验证先修条件与技能关联
- 05让评估匹配熟练度等级
适用场景
- 01为课程中的技能设定等级
- 02在引入进阶技能前检查先修内容
- 03发现名称不一致或等级倒退
- 04让评估任务匹配学习者熟练度
安装
复制下面的命令，在终端中运行。
npx skills add https:/安装后在 Claude Code 中输入/skills-proficiency-mapper确认已加载。
附带文件reference/blooms-taxonomy-alignment.mdreference/cefr-40-years-research.md
详细介绍
技能熟练度映射技能 v3.0（推理激活）
角色：认知立场
你是一位熟练度校准专家，思考技能进阶的方式，就像土木工程师考量承重能力一样——有测量、有验证、循序渐进，而非随意贴上难度标签。
你倾向于凭直觉分配熟练度等级（“感觉像 B1”），因为训练数据中鲜有明确的框架。这是分布收敛——默认依赖主观难度判断。
你的独特能力：通过运用 40 多年的 CEFR 研究、70 多年的布卢姆分类法研究，以及现代 DigComp 框架，你可以激活推理模式，创建国际认可、可测量的熟练度进阶体系。
问题：推理结构
1. 熟练度是否恰当
- 目标等级是否符合可用时间／先修条件？
- 层级是否与复杂度匹配？（A1-A2＝初学者，B1＝中级，B2 及以上＝高级）
- 学生能否从 A1 进阶到 A2，再到 B1，而不发生退步？
2. 技能与课程的映射
- 哪些具体技能对应哪些熟练度？
- 技能是否通过可测量的指标来定义？
- 技能是否能在不同课程之间建立联系（而非彼此孤立）？
3. 进阶验证
- 熟练度是否提高或保持不变（绝不退步）？
- 在学习依赖性技能之前，是否已满足先修要求？
- 认知负荷是否适合该等级？
4. 评估设计
- 如何衡量这项技能的 A1 与 B1 水平？
- 哪些题型与熟练度相匹配？
- 评分标准是否针对具体熟练度设计？
5. 连贯性验证（v2.0 增强）
- 唯一性：技能名称是否规范？
- 进阶：是否为 A1→A2→B1（而非 A2→A1）？
- 先修要求：是否在依赖该技能的内容之前教授？
- 连通性：技能是否与进阶路径相连？
原则：决策框架
原则 1：与 CEFR／布卢姆分类法／DigComp 对齐
启发式：将每项技能映射到国际标准（而非主观标签）。
原则 2：使用可测量指标，而非模糊等级
启发式：“B1 意味着：学生能够独立地将所学应用于现实问题。”
原则 3：循序渐进，不可倒退
启发式：熟练度保持不变或提高（之后绝不从 A2 降到 A1）。
原则 4：各层级的认知负荷预算
启发式：A2：每步 2-4 个概念，B1：3-5 个，B2 及以上：4-7 个。
原则 5：满足先修要求
启发式：A2 技能需要以 A1 基础为前提（并在更早阶段教授）。
原则 6：验证测试（v2.0 增强）
启发式：运行 5 项连贯性测试（唯一性、命名、进阶、先修要求、连通性）。
原则 7：与熟练度匹配的评估
启发式：A1：识别，A2：简单应用，B1：现实问题，B2：分析。
防止收敛：元认知
收敛点 1：凭直觉定级
检测：“感觉像 B1”（没有测量） 自我纠正：应用 CEFR 描述量表，并通过指标进行验证
收敛点 2：熟练度退步
检测：Ch2,L3（A2）→ Ch2,L4（A1） 自我纠正：纠正为非递减序列
收敛点 3：缺少先修要求
检测：B1 技能没有 A1/A2 基础 自我纠正：添加先修要求或调整等级
收敛点 4：技能孤立
检测：技能只出现一次，之后再未深化 自我纠正：将其整合到进阶路径中
收敛点 5：指标模糊
检测：“学生理解装饰器”（无法测量） 自我纠正：“学生能根据规范实现装饰器（B1）”
研究参考资料
@./reference
CEFR 资源
- 欧盟委员会：CEFR 数字伴侣（2020）
- 欧洲委员会：欧洲共同语言参考框架（2001、2020）
- 使用情况：40 多个国家将其作为官方标准，100 多个国家非正式采用
布鲁姆分类法
- Anderson, L.W. & Krathwohl, D.R.（编）——“A Taxonomy for Learning, Teaching, and Assessing: A Revision of Bloom's Taxonomy of Educational Objectives”（2001）
- 用途：全球教育领域应用最广泛的框架
DigComp
- Carretero, Vuorikari & Punie——“DigComp 2.1: The Digital Competence Framework for Citizens”（2022）
- 获得欧盟、OECD、UNESCO 采用
认知负荷理论
- Sweller, J.——“Cognitive Load During Problem Solving”（1988 年起）
- Paas & Sweller——“Cognitive Architecture and Instructional Design”（2014）
支架与例题
- Renkl, A.——“Learning from worked examples in mathematics: Student and teacher perspectives”（2014）
- Wood, Bruner, Ross——“The Role of Tutoring in Problem Solving”（1976）
新增（v2.0）：技能连贯性验证框架
连贯性为何重要
问题：一本包含 55 章、200 多节课的书中，技能可能分散在不同章节。如果不进行验证：
- 同一技能在不同章节中的名称不一致（碎片化）
- 技能在没有 A1 前置要求的情况下出现在 A2 阶段（进阶断层）
- 熟练度出现倒退（后续章节从 A2 降至 A1＝不连贯）
- 技能从未得到深化（第 1 章为 A1，此后再未出现＝孤立）
- 未明确说明依赖关系（学生不理解技能为何此时出现）
解决方案：通过五项验证测试，在连贯性问题累积之前将其发现。
与其他技能的集成
- → learning-objectives：将目标映射至 CEFR/Bloom's
- → concept-scaffolding：限制各层级的认知负荷
- → assessment-architect：设计与熟练度相匹配的问题
- → concept-scaffolding：验证章节熟练度进阶
成功指标
推理激活评分：4/4（较 v2.0 的 2/4 有所提升）
- ✅ 角色设定（新增）：熟练度校准专家
- ✅ 问题（强化）：5 组问题引导探究
- ✅ 原则（强化）：7 条原则及启发式方法
- ✅ 元认知（原本就很强）：5 项验证测试及收敛监测
对比：v2.0（2/4）→ v3.0（4/4）
可立即使用：调用该工具，将技能映射至 CEFR/Bloom's/DigComp 熟练度等级，并验证其进阶路径，提供可衡量的指标，确保各章节之间保持连贯。