家长自己动手:用 os-taxonomy 的 183 个领域簇,给孩子画一张专属学习地图

原创2026-10-20 12:44:221,870 阅读
文章标签:数据集教育

家长自己动手:用 os-taxonomy 的 183 个领域簇,给孩子画一张专属学习地图

每个关心孩子学习的家长,大概都经历过这样的困惑:孩子 7 岁,数学到底该学到哪一步?学校发的课标文件动辄几百页,术语晦涩;辅导班把知识点切得七零八落,却说不清"为什么要先学这个、再学那个"。

最近在开源社区走红的 os-taxonomy(Marble Skill Taxonomy)给出了一个不同的答案——它把 5~11 岁孩子要学的知识,拆成 1,590 个「微主题」,用 3,221 条前置依赖关系连成一张有向无环图,再聚合成 183 个面向家长的「领域簇」。每个簇用一段大白话告诉你:你的孩子在这个年龄段、这门学科、这个领域,正在学什么。更妙的是,整个仓库没有任何运行时代码,只有 5 个 JSON 文件加一个校验脚本,家长不需要懂任何编程概念,用 Node.js 几行代码就能给自己做一份「专属学习地图」。

本文会带你:先看懂 183 个领域簇的三维组织方式;再按孩子的年龄段筛出当前在学的簇与微主题;最后用 3,221 条依赖边做一个「该补什么」的排查小工具。

183 个领域簇:年龄 × 学科 × 领域的三维组织方式

打开仓库根目录的 data/clusters.json,你会看到它的结构极其克制——183 个簇,每个只有四个字段:

{
  "subject": "Mathematics",
  "domain": "Fractions",
  "ageRangeStart": 7,
  "summary": "Your child is discovering fractions as parts of a whole — understanding halves, thirds, and quarters, placing fractions on a number line..."
}

subject(学科)是第一个维度。仓库里共 8 个学科,从 data/manifest.json 的统计可以看到话题数量分布:

学科 微主题数 领域簇数
Science 547 71
Mathematics 503 54
English 286 40
History 90 3
Personal & Social Development 88 15
Life Skills 37 0
Computing 21 0
Learning to Learn 18 0

第二个维度是 domain(领域)。以数学为例,54 个簇横跨 11 个领域:Addition & Subtraction、Fractions、Geometry、Measurement、Multiplication & Division、Number Representation & Place Value、Algebra、Ratio & Proportion、Data & Statistics 等。

第三个维度最贴心——ageRangeStart(年龄段起点)。每个学科 × 领域组合,会按 5、6、7、8、9、10 岁拆成多档。用脚本统计一下 183 个簇的年龄分布:

node -e "
const clusters = require('./data/clusters.json').clusters;
const ages = {};
clusters.forEach(c => { ages[c.ageRangeStart] = (ages[c.ageRangeStart]||0)+1; });
console.log(ages); // {5:38, 6:23, 7:36, 8:25, 9:37, 10:24}
"

也就是说:5 岁有 38 个簇、6 岁有 23 个簇、7 岁有 36 个簇……每个簇都有一段对应年龄的白话总结。以 Fractions 领域为例,从 5 岁「recognise and name halves and quarters as equal parts」一路递进到 10 岁「mastering advanced fraction operations — adding, subtracting, and multiplying fractions with different denominators」,六档总结连起来,就是一条清晰的分数学习进阶线。

这种「学科 × 领域 × 年龄」的三维网格,正是这套数据集区别于普通课标清单的地方:它把扁平的标准变成了有层级的、可导航的地图。

按年龄段筛出孩子当前在学的簇与微主题

家长最关心的永远是「我的孩子现在该学什么」。这个查询在 os-taxonomy 里简单到令人意外。

先说簇。假设孩子 7 岁,只筛 Mathematics 下 ageRangeStart 为 7 的簇:

node -e "
const clusters = require('./data/clusters.json').clusters;
clusters.filter(c => c.subject === 'Mathematics' && c.ageRangeStart === 7)
  .forEach(c => console.log(c.domain, '->', c.summary.slice(0, 60)));
"

输出会覆盖 Addition & Subtraction(掌握 1000 以内加减和心算)、Fractions(理解一半、三分之一、四分之一,能放到数轴上)、Geometry、Measurement 等一整年的数学主线,每一条都是写给家长看的自然语言,而非课标编号。

再看微主题。微主题存在 data/topics.json 里,每个都带 ageRangeStart/ageRangeEnd,粒度小到「一个可单独教学的想法」。比如「Building sentences」这个微主题:

{
  "id": "mt_N8CpN1EJrP",
  "type": "CONCEPTUAL",
  "subject": "English",
  "domain": "Grammar & Punctuation",
  "name": "Building sentences",
  "ageRangeStart": 4,
  "ageRangeEnd": 6,
  "evidence": [
    "Distinguish between complete sentences and fragments",
    "Compose a complete sentence with a subject and verb",
    "Expand a simple sentence by adding detail"
  ]
}

注意 evidence 字段——它给出了「孩子做到什么程度才算学会」的可检验标准,而不是抽象的能力描述。这也引出了 os-taxonomy 的另一个设计:1,590 个微主题被分成五类,CONCEPTUAL(概念类,810 个)、PROCEDURAL(程序类,512 个)、META(元认知类,144 个)、LANGUAGE(语言类,75 个)、REPRESENTATIONAL(表征类,49 个)。概念类占了一半以上,说明这个数据集看重「理解」而非机械训练,这与现代课程设计的思路一致。

微主题还带 standards 字段,指向 data/curriculum-standards.json 中 7 套课标(NGSS、Common Core、英国国家课程等)的 3,261 条标准,共 1,859 条「微主题→课标」映射。也就是说,你想查「这个知识点对应哪个官方课标条目」,也能直接命中。

结合 3,221 条前置依赖做「该补什么」的排查小工具

知道了「现在学什么」只完成了一半。孩子卡壳时,家长更想知道的往往是:这个知识点学不会,是不是前面有什么基础没打牢?

这正是 data/dependencies.json 的价值所在。它是 3,221 条有向边的集合,每条边都说明「topicId 依赖 prerequisiteId」,并区分硬依赖和软依赖。对全库做一次统计:

node -e "
const deps = require('./data/dependencies.json').dependencies;
console.log('hard:', deps.filter(d => d.strength === 'hard').length);  // 2025
console.log('soft:', deps.filter(d => d.strength === 'soft').length);  // 1196
"

hard(硬前置,2,025 条)意味着「必须先掌握才能继续」,soft(软前置,1,196 条)则是「掌握了更好、能加深理解」。每条边还带一句 reason,解释为什么存在这条依赖——这一点极其罕见,也极其好用。

拿刚才的「Equivalent fractions(7-8 岁)」举例,用几行代码就能把它的全部前置挖出来:

import topics from './data/topics.json' with { type: 'json' };
import deps from './data/dependencies.json' with { type: 'json' };

const byId = new Map(topics.topics.map(t => [t.id, t]));
const target = topics.topics.find(t => t.name === 'Equivalent fractions');

deps.dependencies
  .filter(d => d.topicId === target.id)
  .forEach(d => console.log(
    d.strength.padEnd(4),
    byId.get(d.prerequisiteId).name,
    '|', d.reason
  ));

输出结果:

hard Understanding fractions    | Extends equivalence of 2/4 and 1/2 to broader equivalent fractions
hard Fraction Notation          | Recognising and showing equivalent fractions requires that vocabulary
soft Fractions on a number line | Number line supports seeing equivalent fractions as the same point

这意味着:孩子学「等值分数」之前,必须先把「分数的含义」和「分数记号」两个硬前置搞清楚;而「分数在数轴上的表示」是软前置,能帮助直观理解。如果孩子在这卡住了,家长就能对照这份清单精准补课,而不是盲目刷题。

反向查询同样有价值——把边反过来,就得到「学了这个知识点,将来能解锁什么」。比如「Equivalent fractions」解锁了「Equivalent fractions on a number line」。整个 DAG 就像一张游戏技能树:每个节点都知道自己从哪来、通向哪去。社区里已有开发者基于这套数据做出了可交互的 3D 知识先修图谱,每个点是一个知识点、每条线是一条依赖,足以证明这张「学习解锁路径」的可视化潜力。

用好「口试题」和校验脚本,让地图落地

最后给你两个锦上添花的用法。

第一,每个微主题都带 assessmentPrompt——一段带 {{name}} 占位符的自然语言口试题。比如 AI 主题下的微主题会问「Could {{name}} point out several things they use every day — like auto-correct or face unlock — and explain that these are examples of AI?」。把 {{name}} 替换成孩子的名字,就成了一道可以直接用来「闲聊式考核」的口头题,配合 evidence 里的标准逐条核对,就能判断掌握程度。

第二,这份数据的可信度有保障。仓库里的 scripts/validate.mjs 是一个零依赖校验脚本,跑一句 node scripts/validate.mjs,它会检查结构合法性、所有边端点与标准引用的引用完整性、声明的计数是否与实际一致,甚至逐文件核对 data/manifest.json 中的 SHA-256 校验和。数据源层的 data/curriculum-standards.json 则明确标注了 4 个「codes-only」课标来源,只保留编号不保留原文,规避第三方版权风险——这些细节都写进了 PROVENANCE.md。

下图是仓库自带的数据可视化:每个点是一个微主题、按学科着色、高度代表年龄,每条线是一条前置依赖——把整张学习地图「旋转着」呈现在你面前。

os-taxonomy 旋转 3D 知识图谱:每个点是一个微主题,按学科着色,高度代表年龄,线条为前置依赖

从 183 个领域簇的三维导航,到 1,590 个微主题的细粒度描述,再到 3,221 条带理由的前置依赖,os-taxonomy 把「孩子该学什么、为什么先学这个、卡住了补什么」三个问题一次性回答清楚了。它没有运行时、没有依赖,任何家长都能在几分钟内上手,把这份公开数据集变成自家孩子的专属学习地图——这大概就是「开放教育数据」最实在的落地方式。

登录后查看全文
os-taxonomy