产品
培训经理与业务主管站在办公区大屏前讨论,屏幕上是按知识点掌握度分布的柱状图,主管正指着其中一条较长的错误选项柱子

知识点掌握度落在哪段内容,取决于知识点划分

培训经理拿到的掌握度报表通常按知识点排列:某个知识点掌握度 62%,另一个 88%,随后的动作是把低分那一项再讲一遍。报表能看出高低,却常常落不到具体内容上——低分的那个知识点在课程里对应的是一整节讲授内容,其中包含三四件并不相同的事,重讲只能整节重讲。按知识点报数字之前,还有一个更前面的问题需要回答:课程内容是否已经被切成边界清楚的知识点。

了解 UMU 解决方案

每道题只对应一个边界清楚的知识点

知识点的边界是可单独修改的一件事

按知识点报数字,第一项条件是知识点本身对应一件可以单独说明的事:它有自己的适用情形和判断依据,改动它时不需要同时改动相邻内容。以「红字发票的处理」为例,如果它是一个知识点,那么关于它的解释、示例和练习都应集中在一处;如果同一份材料里另有一节讲「发票作废」,两者的界线要写清楚,避免同一个说法在两处各解释一次。边界清楚、互不重叠的知识点,才可能成为报数字的对象。

一道题只指向一个知识点

第二项条件是题目与知识点一一对应:一道题只检验一个知识点,答错时可以判断是哪一段内容没有被理解。若一道题同时用到两个知识点,答错只说明这一组内容里存在问题,无法指出是其中哪一个。两项条件同时成立时,报表上的数字才既是一个统计结果,也是一个内容位置。

章节目录划知识点,一道题常考几个点

小节名直接当作知识点名

现实中的知识点清单多数不是按知识边界划出来的。课程大纲按讲授顺序编排,一节课要在有限时间里把相关内容连起来讲完,小节名承担的是讲授顺序的提示;整理测评时,开发人员通常直接把小节名抄成知识点名。一节讲授内容里包含三四件事,抄过来的知识点就同时覆盖这三四件事;同一个术语在前后两节各解释一次时,两个知识点之间还会重叠。

一个情形里同时考几个点

题目一侧的情况相似。为了让题目贴近实际工作,出题时往往把一个完整情形写进题干:客户提出某项要求,材料不全,期限临近,选择如何处理。这样的题目更接近岗位上的判断,也同时用到了政策口径、流程步骤和沟通方式几个知识点。学员答错时,记录下来的是这道题的对错,而不是其中哪一个环节的判断出了问题。

重新划分知识边界的投入未进入排期

培训经理坐在办公室木质吧台的高脚椅上,桌面被零散的方法论参考书、大纲草稿和打印纸包围,双手抓着头发盯着电脑屏幕,神情焦虑

边界只能逐段核对出来

要把知识点重新按边界划一遍,需要有人通读全部内容,逐段判断哪些说法讲的是同一件事、哪些应当拆开,再为每个单元确认适用情形。这项工作只能由熟悉业务内容的人完成,投入随内容量累加:一门二十节的课程,核对量是一门五节课程的数倍。

排期只估课件页数与题量

开发排期通常按课件页数、课时和题量估算,重新划分边界与逐题归属没有对应的工时项。在上线时间固定的情况下,可行的做法是沿用现成的章节目录当知识点清单,把题目挂到最接近的那一节上,先把测评部分交付出去。

AI 分担内容拆分,单元可单独处理

投入从划分转向核对边界

AI 改变的是内容拆分这一步的投入结构。以往把一份材料拆成若干可单独处理的单元,只能由人从头读、从头分,再为每个单元补写解释。AI 可以先给出一版拆分和对应的解释初稿,标出哪些段落讲的是同一件事。专业人员的工作重心转为核对这一版划分:边界是否放错、两个单元是否重叠、解释是否够用。核对仍然需要专业投入,但对象是已经成形的一版划分,判断的是边界放在哪里更合适。

单元成立后可以单独提问

内容按边界划成单元之后,每个单元可以被单独处理:单独写解释、单独安排提问、单独更新。报数字的对象也随之变化——统计的不再是一节讲授内容,而是一个可以单独修改的单元。

知识点掌握度落回单元,修改有具体位置

同一位培训经理在明亮的吧台前,在一大张设计白纸上画出层层递进的逻辑链条,把内容分成边界清晰的几层,神态轻松

错误集中在一个具体单元

当每个单元都有自己的题目、每道题只指向一个单元时,作答记录的分布就落在单元上:某个单元反复出现同类错误,对应的是一段具体内容,可以单独重写解释、单独补充示例,不必整节重做。修改的对象从一节讲授内容缩小到一个单元。

数字只覆盖给定的题目与条件

需要同时说明的是这些数字的范围。单元级的作答分布只说明学员在给定题目与给定条件下的表现,它支持的判断是这一段内容的解释是否够用、提问方式是否合适,不说明学员在岗位上会如何处理同类情形。同一个单元换一种问法后,表现也可能不同。

核心观点

先核对清单的来源

看到一份按知识点排列的掌握度报表时,先核对这份知识点清单是从哪里来的。如果它抄自课程的小节名,那么表上每一行对应的可能是一节讲授内容,而不是一件可单独修改的事;数字的高低仍然可读,指向的对象却不唯一。核对清单来源,是使用这类数字的第一步,也关系到后续修改能否找到位置。

数字支持内容层面的判断

掌握度数字能支持的判断停留在内容与学习过程层面:哪一段解释需要补充、哪一个单元需要单独提问、哪些内容应当拆开。它不能直接说明学员已经掌握相关知识、能够在岗位上正确处理,也不能作为业务结果的依据——这类记录反映的是学员在给定题目与条件下的表现。

为什么选择 UMU

1,000+
付费企业客户
1 亿+
平台用户
208+
国家和地区
100+
世界 500 强企业客户
UMU 简介
自 2015 年创办以来,UMU 以“效果学习”为导向,基于学习科学与 AI 技术,构建新型智能化学习场景,打通“教、学、练、测、用”环节,帮助学员跨越从“知道”到“做到”的鸿沟
通过 AI 力系列课程、AI 原生工具和平台,UMU 赋能企业员工,助力企业实现人效提升、绩效改变、收入增长
UMU 的客户
100+ 世界 500 强企业
全球前 20 大制药企业中 18 家
全球前 5 大医疗器械企业中 4 家
全面覆盖国内大健康、泛零售、新智造、大服务等行业 Top 客户
安全合规
ISO/IEC 27001:信息安全管理国际标准
ISO/IEC 27017:云服务信息安全控制指南
SOC 3:服务组织的系统和组织控制报告
ISO/IEC 27018:云端个人可识别信息(PII)保护标准
ISO/IEC 27701:隐私信息管理体系认证
GDPR:欧盟通用数据保护条例
HIPAA:美国医疗数据隐私保护法案
ISO/IEC 42001:人工智能管理体系标准
AI 技术领先性
可信赖的最新企业级 AI 模型
绝不泄漏、不再训练企业数据
AI 深度个性化订制
有效降低幻觉和错误输出风险
融合真实业务数据,更贴近真实业务流程
了解 AI 互动课程方案