ARTICLE · 1232099
先定证据,再编题:UbD三阶段如何改造试题命制
先定证据，再编题：UbD三阶段如何改造试题命制
试题不是"知识点的容器"，而是一份关于学生素养的证据申请。命题者最该先问的，不是"考什么"，而是"我凭什么敢说这个学生具备这项素养"。
学业水平考试命题方法与应用：指向核心素养的评价图书目录
第一部分 测验的基本概况
第一章 测验、测量与评价 测验、测量与评价的概念辨析 测验的类型与功能 测验的理念与原则 测验的发展趋势 第二章 教育评价基本理论 布卢姆教育目标分类学 学习结果的结构分类学 教育评价理论的实践应用
第二部分 测验的编制
第三章 测验框架与蓝图设计 测验设计的核心逻辑 测验方案的制定方法 命题蓝图的编制技术 第四章 题目类型及命题一般原则 常见题目类型解析 命题的基本原则与规范 第五章 选择反应试题 选择题、判断题等题型的命题技巧 选项设计与干扰项设置 第六章 建构反应试题 建构反应试题的概念与类型 编制的基本原则与评分标准 第七章 表现性评定 表现性评定的内涵与特征 表现性评定的类别与实施 评分规则与质量保障
第三部分 测验质量的评价
第八章 测验质量分析 信度、效度的概念与检验方法 难度、区分度的计算与应用 第九章 测验结果的应用 分数解读与教学改进 评价结果的反馈与应用
第四部分 核心素养测评前沿
第十章 高级思维能力测评 高级思维能力的内涵界定 PISA等国际测评工具借鉴 本土化一致性分析工具开发 第十一章 档案袋评价与跨学科评价 档案袋评价的设计与实施 跨学科核心素养的测评路径
张咏梅
背景：2003年毕业于北京师范大学心理学院基础心理学专业，获博士学位。
研究方向：深耕教育测量与评价领域二十余年。
专长：专注于大规模教育评价、教育考试的理论与应用研究，以及教育测验工具的设计、开发与高级数据分析。
代表作：已出版《表现性评定的理论与实践研究》《大规模学业成就调查的开发与应用》等专著。
✨ 推荐语
一、一个被跳过的问题
每年命题季，绝大多数命题组的起点都是同一句话："这次考哪些知识点？"
于是流程顺理成章：翻教材目录，列知识点清单，配认知层级，填双向细目表，从题库里挑题、改题，最后凑成一张卷子。看起来很专业，也很有效率。但它漏掉了测评学上最关键的一环——这道题所引出的学生表现，凭什么能支撑"他具备某素养"这个判断？
这个问题不回答，后面的所有技术工作都可能是在精确地测量一件错的东西。
格兰特·威金斯（Grant Wiggins）与杰伊·麦克泰格（Jay McTighe）在《追求理解的教学设计》（Understanding by Design，1998/2005）中提出的"逆向设计"（backward design），恰好提供了一个可以整体移植到命题上的思维结构。他们把课程设计分为三个阶段：
- 确定预期结果
（Identify desired results）
- 确定可接受的证据
（Determine acceptable evidence）
- 设计学习体验与教学
（Plan learning experiences and instruction）
其背后的逻辑是：课堂、单元与课程"在逻辑上应该从想要达到的学习结果导出，而不是从我们擅长的教法、教材和活动导出"（Wiggins & McTighe, 2005）。麦克泰格本人后来把这套逻辑概括为一句话：评价证据应当"随时间累积收集"，而不是被视为一次性的终结事件（McTighe, ASCD, 2019）。
把这句话的宾语换一下——把"学习体验与教学"换成"试题与试卷"，把"学生"换成"考生"，你就得到了一套完整的命题逆向设计：
先确定学生应当达到的素养结果 → 再确定什么样的学生表现足以作为证据 → 最后才动手编题。
而这套逻辑，与我国课程标准的内在结构、与"教—学—评一致性"的理论诉求，几乎是同一件事的三种说法。
本文要论证的核心命题是：
素养立意的试题命制，本质上是一次"证据设计"活动；三阶段逆向设计是把课程标准转化为可评分证据的工程化路径；而"教—学—评一致性"则是检验这条路径是否走通的效度标准。
二、为什么命题必须"逆向"：三个理论支柱
把 UbD 搬到命题上，不是隐喻式的类比，而是有测评学硬支撑的。至少有三条理论线索指向同一个结论：证据先于任务。
（一）效度理论：测验是对"构念"的证据推理
塞缪尔·梅西克（Samuel Messick）在1989年为《教育测量》撰写的经典章节中，把效度确立为一个统一的构念（construct）概念，并指出任何测量都面临两种失效方式：
- 构念代表不足
（construct underrepresentation）：测验太窄，漏掉了构念的重要维度；
- 构念无关变异
（construct-irrelevant variance）：测验太宽，混入了与目标构念无关、却稳定影响分数的因素（如阅读负担、背景知识、应试技巧）。
梅西克的原话是："这两种威胁在所有测评中都存在"（Messick, 1994, p.13）。他进一步提出，所谓"真实性"（authenticity）与"直接性"（directness），本质上都是一种承诺性的效度主张——承诺它们能够抵消上述两种威胁（Messick, 1994）。
这句话对命题者有直接的操作含义：一道题的"情境真实"本身不构成价值，它只有在能减少构念代表不足或构念无关变异时才有价值。 为了"情境化"而给学生套一个与考点无关的长篇故事，恰恰是在制造构念无关变异。
迈克尔·凯恩（Michael Kane）在此基础上提出"论证式效度"（argument-based validation）：效度不是一堆系数的集合，而是一条从观察到的表现 → 评分 → 分数概括 → 外推 → 决策的推理链，验证就是逐环节质疑并支撑这条链（Kane, 2006, 2013）。他区分了"解释性论证"（interpretive argument，说明推理链是什么）与"效度论证"（validity argument，为每个环节提供证据）。
这个框架对命题的启示再清楚不过：命题就是起草这条推理链。 如果你无法用一两句话说清"学生在这道题上写出什么，就意味着他具备什么"，这条链在第一环就断了，后面再怎么精算难度、区分度也无济于事。
（二）证据中心设计：把"论证"变成"架构"
罗伯特·米斯莱维（Robert Mislevy）等人的证据中心设计（Evidence-Centered Design, ECD）把凯恩的哲学论证落成了工程图纸。ECD 的三层核心模型是：
模型 | 回答的问题 | 命题中的对应物 |
学生模型（Student Model） | 我们要对学生作出什么判断？ | 学业质量水平的层级描述 |
证据模型（Evidence Model） | 什么样的表现可以作为证据？如何从表现推出水平？ | 评分规则、可观察行为指标 |
任务模型（Task Model） | 什么任务能引出这种表现？ | 试题情境、设问、材料 |
组装模型（Assembly Model） | 这些任务如何组成一份测验？ | 试卷结构、多维细目表 |
ECD 的三条前提是：测评必须围绕领域中的重要知识展开；从"学生说了什么、做了什么"到"学生知道什么、能做什么"的推理必须遵循证据推理原则；目的必须驱动设计决策（Mislevy, Almond & Lukas, 2003）。
还有一句话值得每一位命题者贴在案头：
ECD "把焦点从对测验分数的事后验证，转向了设计即效度（validity by design）"。
也就是说，效度不是命题结束后再找人论证的东西，而是从第一次动笔编题时就应当内置在结构里的东西。
（三）一致性研究：认知要求不能"掉档"
诺曼·韦伯（Norman Webb）的一致性分析方法（Webb, 1997, 2005）提供了四个可操作的判据，长期被美国各州用于课程标准与大规模测验的一致性审查：
- 类别一致性
（categorical concurrence）：每个内容领域至少有 6 个题目/分值点覆盖；
- 知识深度一致性
（depth-of-knowledge consistency）：与该目标对应的题目中，至少有 50% 处于目标所要求的认知深度或其上；
- 知识范围对应
（range-of-knowledge correspondence）：一个标准下至少 50% 的具体目标有题目覆盖；
- 表征平衡
（balance of representation）：各目标被考查的权重分布合理，指数一般应达到 0.70 以上。
（判据阈值见威斯康星州公共教育厅 ACT 一致性报告及俄克拉何马州 Webb 一致性研究；Porter 等人则用"内容语言"矩阵以 1−Σ|x−y|/2 计算整体一致性指数。）
这四个判据的杀伤力在于第二条。它直接拆穿了大量"素养导向"试卷的假象：课标要求"解释、论证、评价"，卷面上却是"识别、回忆、匹配"。 认知要求整体掉了一个档，一致性在形式上满足、在实质上崩塌。
韦伯的框架还提示了另一件事：一致性不是"有题就行"，而是要看认知深度的分布是否与目标的分布同构。这与 UbD 第二阶段强调的"证据必须与目标同构"，实为一体。
三、教—学—评一致性：命题的"效度宪法"
在国内语境中，上述理论最凝练的表达就是"教—学—评一致性"。
这个概念并非我国原创。它的源头可以追到美国学者科恩（S. Alan Cohen）1987 年提出的"教学一致性"（instructional alignment）——当目标、教学与评价在内容与认知要求上对齐时，学习效果会出现"巨大改善"（Cohen, 1987）；比格斯（John Biggs）1996 年提出"建构性对齐"（constructive alignment），强调教师必须把目标表述为"预期学习结果"，并让教学活动与评价任务都指向这些动词（Biggs, 1996）。崔允漷、雷浩在《"教—学—评"一致性三因素理论模型的建构》中将其本土化，指出一致性由目标导向的学教一致性、教评一致性、评学一致性三个因素组成，两两相关、组合成整体。
崔允漷对这三条要义有一个非常精准的概括：
清晰的目标是一致性的前提和灵魂；一致性既针对教师而言，也针对命题专家而言；一致性是基于证据的推论（崔允漷、夏雪梅，《"教—学—评"一致性：意义与含义》）。
请注意后两句——"针对命题专家"和"基于证据的推论"。这两句已经把命题牢牢锚定在"证据设计"上。命题者不是教学之外的技术工种，而是同一目标体系中的证据提供者。
而学业质量标准则提供了这份证据的"量尺"。崔允漷有一个著名的比喻：如果把核心素养比作"人品"，内容标准相当于"酒量"，学业质量才是"酒品"——正如酒量无法推论人品，测评知识点所得的分数无法推论核心素养水平。因为"学业质量描述的是通过什么过程与方法，学了多个知识点之后，所形成的兴趣、观念或态度，以及解决的问题或完成的任务"（崔允漷，华东师大，2023）。
政策层面，三份文件已经把这套逻辑写死了
文件 | 关键规定 | 对命题的直接约束 |
《教育部关于加强初中学业水平考试命题工作的意见》（2019） | 取消考试大纲，严格依据课程标准命题；减少机械性、记忆性试题，提高探究性、开放性、综合性试题比例，提升情境设计水平 | "考什么教什么"反转为"学什么考什么"；命题依据唯一化为课标 |
《普通高中课程方案和课程标准（2017年版2020年修订）》 | 研制学业质量标准，"各水平的关键表现构成评价学业质量的标准"，为阶段性评价、学业水平考试和升学考试命题提供重要依据 | 给了"证据"的分数线 |
《义务教育课程方案和课程标准（2022年版）》 | 新增学业质量标准与考试命题建议；明确提出素养立意，在情境与任务中考查问题解决过程 | 命题从"知识立意"转向"素养立意" |
教育部教材局一级巡视员申继亮在 2022 年新闻发布会上举的例子，至今仍是最好的说明：《马关条约》之后清政府被迫允许外国人在华设厂，与改革开放后中国主动引进外资，两者有何不同？——这道题不考时间地点，考的是唯物史观、时空观念、史料实证与历史解释的综合表现。
张卓玉则把素养立意的命题方向讲得更透："无应用情境就无知识测试"——考点必须"生长"在产生知识或应用知识的"土壤"之中；同时，测评要从"碎片化、点状式测试走向整体性、结构化测试"，从考查"记忆理解的结果"转向"思维过程、探究过程和做事过程的发展水平"（张卓玉，教育部，2022）。
四、阶段一：确定预期结果——把课标"翻译"成可测量的素养命题
逆向设计的第一阶段，UbD 要求回答三个问题：学生应当知道什么、理解什么、能做什么？什么内容值得持久理解？可能的误解是什么？
在命题语境下，这一阶段要产出四样东西。
1. 从"内容标准"转向"学业质量"，锁定"须持久理解"
这是最容易走偏的一步。绝大多数命题失误，都源于把内容要求当成了命题目标。
以义务教育地理"地球的表层"为例。内容要求是："阅读世界地图，描述世界海陆分布状况，说出七大洲、四大洋的分布；结合实例，说明海洋对人们生产生活的影响。"而学业质量的表述是："学生在不同的情境中，对于从各种媒体中获取的地球表层环境的信息，能够初步从系统、动态的角度，简要分析、概括地球表层自然环境与人文环境的主要特征以及环境要素的时空分布和变化特点（综合思维、区域认知）……能够从地理实验、社会调查……较好地将所学的知识运用于实践中（地理实践力）。"
前者是"教什么"，后者是"学完之后能做什么"。命题的靶心只能是后者。
UbD 用"三级优先"帮助取舍：值得熟悉的（了解即可）、应当知道并会做的（基础知识与技能）、应当持久理解的（大概念与迁移能力）。在有限题量的试卷里，应当优先保证第三级的证据充分。
2. 用"基本问题"锁定任务的认知方向
UbD 的"基本问题"（essential questions）在命题上有一个绝妙的对应用法：它就是压轴题、综合性任务的设问原型。
"改革开放引进外资与《马关条约》被迫设厂有何不同"，本质就是一个历史学科的"基本问题"：它没有标准答案，只有论证质量的高低；它要求学生调动多个知识点并建立关联；它指向学科的核心思维方式，而不是孤立的史实。
如果一份卷子的所有设问都能被一句话事实回答，那这份卷子就没有"基本问题"，也就没有测评素养的可能。
3. 预判"常见误解"，把干扰项设计建立在学习科学上
UbD 要求教师在阶段一就写出"可预见的误解"（predictable misunderstandings）。这一步在命题上被严重低估。
学生的错误不是随机的，而是有结构的：物理中"力是维持运动的原因"、生物中"用进废退"、数学中"概率与样本量无关"、历史中"以今度古"。这些是学习进阶研究反复记录的"迷思概念"。
把迷思概念写进干扰项，选错就不只是"没记住"，而是暴露了一个可诊断的思维结构。这正是 Messick 所说的"实质性效度"（substantive aspect）——测验所要求的认知过程，应当与领域专家解决问题时的过程一致。反之，随意编造的干扰项只会增加噪音。
4. 把预期结果写成"素养—水平—表现"三列表
阶段一的产出物，建议不是一张知识点清单，而是一张三列表：
核心素养 | 学业质量水平（目标层） | 关键表现（可观察） |
综合思维 | 水平3：能在给定的复杂情境中…… | 能识别情境中的多个要素并说明其相互作用 |
史料实证 | 水平3：能对多种类型史料…… | 能区分史料的类型与价值，并用其互证 |
科学探究 | 水平3：能基于证据…… | 能指出证据链中的薄弱环节并提出改进方案 |
这张表就是 ECD 中"学生模型"的具体化，也是后面所有工作的"宪法"。凡是不能落到"关键表现"栏的目标，都不应该出现在试卷里——因为它无法被评分，也就无法被证明。
五、阶段二：确定可接受的证据——命题的核心工序
UbD 的第二阶段是整个逆向设计中最"反直觉"的一环，也是对命题最有价值的一环。它要求设计者"像评估员一样思考"：在我们开始教学（编题）之前，先想清楚什么算"合格"的证据。
威金斯与麦克泰格提供了两个关键工具：理解的六个侧面与证据的连续谱。
1. 理解的六个侧面：证据的"多维取证"
侧面 | 含义 | 命题转化 |
解释（explanation） | 能说明为什么、如何 | 要求给出机制、因果、推理链 |
释义（interpretation） | 能赋予意义、讲出故事 | 要求解读材料、转换表征（图→文、数据→结论） |
应用（application） | 能在新情境中使用 | 迁移性任务，非常规情境 |
洞察（perspective） | 能看出立场与局限 | 要求比较不同观点、评价证据偏向 |
共情（empathy） | 能理解他人的感受与逻辑 | 要求设身处地解释历史人物/他人的选择 |
自知（self-knowledge） | 知道自己的盲区 | 要求反思方法局限、检验答案的边界 |
这套框架的价值，在于它给"素养"提供了六个取证入口，而不是把"理解"当成一个笼统的分数。
举个具体的对比。同样是"评价一项环保政策"，如果只考"该政策的目标是什么"（记忆），只取到了"解释"的一点皮毛；如果改成"请依据所给数据，指出该政策论证中最薄弱的一环，并说明在什么条件下你的判断会改变"，就同时取到了应用、洞察与自知三个侧面的证据——而后一个设问，实际上就是"元认知"进入纸笔测评的通道（对应安德森修订版布鲁姆分类学中的"元认知知识 × 评价"单元格）。
2. 证据的连续谱：从"检查理解"到"表现性任务"
UbD 强调证据应来自一个连续谱：
- 非正式检查
（课堂提问、观察）——不可用于大规模纸笔；
- 测验与技能检查
（选择、简答）——覆盖广度好，但认知上限低；
- 学术提示
（开放性问题、论证任务）——可测推理与表达；
- 表现性任务与项目
（真实性情境、完整产品）——最能测迁移，但评分成本高。
命题上的关键判断是：不要指望用单一题型承担全部取证责任。 一份好的素养卷，应当是"有梯度的证据组合"——用选择题低成本地取证"概念辨别与常见误解"，用结构化开放题取证"推理链"，用一道综合性表现性任务取证"迁移与整合"。
这与张卓玉说的"从碎片化、点状式测试走向整体性、结构化测试"完全同向。
3. 用 ECD 把"证据"写成可执行的"取证规格"
阶段二最重要的工程化动作，是为每道题（每道大题）写一份取证规格（evidence specification）。建议至少包含六栏：
栏目 | 内容 | 对应理论 |
拟作出的判断 | "能基于多源证据判断一项历史解释的可信度" | 学生模型（Kane 的外推环节） |
可观察证据 | 学生需指出史料类型、说明互证关系、承认证据缺口 | 证据模型（ECD） |
任务特征 | 提供 3 则立场不一的材料，其中 1 则为一手史料 | 任务模型（ECD） |
认知要求 | 分析 + 评价（非记忆） | 布鲁姆/韦伯 DOK |
评分规则 | 三维度量表：证据识别 / 互证 / 限度意识 | 表现性评价 |
干扰与风险 | 是否过度依赖文言阅读能力？（构念无关变异） | Messick |
第六栏常被忽略，却是公平性的关键。证据中心设计之所以被大量用于公平性审查，正是因为它要求明确"完成这道题需要哪些知识与技能"，从而识别出非目标 KSA（非考查对象的知识、技能与能力）。一道数学题如果因为需要读三页文字而变成阅读测验，它的分数就不再是关于数学的推断。
4. 评分规则：证据的"解码器"
没有评分规则，证据就不成立。这是素养命题与传统命题最深的分水岭。
比格斯与科利斯（Biggs & Collis, 1982）的 SOLO 分类理论（可观察的学习结果结构）提供了目前最实用的等级描述框架：
层次 | 特征 | 典型表现 |
前结构 | 未理解问题，答非所问或同义反复 | 抄题干、写无关内容 |
单点结构 | 只抓一个线索就下结论 | 只举一个例子便断言 |
多点结构 | 能列出多个要点，但彼此孤立 | 罗列三条原因，不说明关系 |
关联结构 | 能建立要素间的逻辑关系 | 说明三条原因如何相互强化 |
拓展抽象 | 能抽象概括并迁移到新情境 | 提炼出一般机制，指出适用边界 |
SOLO 的独特价值在于：它不按"答对几个点"给分，而按"思维结构的复杂度"给分。这与"采点给分"的根本区别是——前者测的是思维质量，后者测的是覆盖面。当一道开放题用"答出 1 点得 1 分、共 3 点"来评分时，它实际上已经退化成了一道变相的多选题。
这也解释了为什么"素养立意"的试卷常常出现一个尴尬现象：题目很新，评分很旧。评分规则不升级，命题改革就只完成了一半。
六、阶段三：设计试题与试卷——把证据"组装"成一份卷
UbD 的第三阶段原本是设计教学活动。迁移到命题上，它对应的是试题编制与试卷组装。这一阶段的核心问题不是"教什么"，而是：
为了让学生有机会展示上述证据，任务应当具备什么特征？这些任务如何组成一份结构合理的卷？
1. 情境：不是"包装"，而是"载体"
《中国高考评价体系》明确规定"情境"是考查载体，以情境承载考查内容、实现考查要求。张卓玉则强调"无应用情境就无知识测试"。
但"情境化"在实践中经常被做成了"贴皮"。判断一个情境是否合格，可用三条硬标准：
- 必要性
去掉这个情境，考点是否还完整？若答案为"是"，情境就是多余的。
- 生成性
情境是否生产出了任务？即问题只能在这个情境中被提出，换一个情境就不成立。
- 低负荷
情境的信息量是否与考查目标匹配？会不会把语文阅读能力变成了事实上的主考点？
第三条尤其重要。PISA 数学框架把"数学素养"定义为在真实情境中表述、运用、解释与评价数学的能力，并把情境分为个人、职业、社会、科学四类——但它的题目长度是经过严格控制的，因为 OECD 清楚：情境越复杂，构念无关变异的入口越多。
2. 任务：从"求解"到"建构"
素养命题的任务设计，有三条可操作的升级路径：
- 从"给出方案"到"评价方案"
不只问"怎么办"，还问"这个办法有什么代价、在什么条件下会失效"（洞察与自知侧面）。
- 从"单一答案"到"多点判断"
要求学生说明"如果某条件改变，你的结论如何变化"，测的是条件的敏感性而非记忆。
- 从"学科内"到"跨学科"
《义务教育课程方案（2022年版）》要求各学科拿出 10% 课时做跨学科主题学习，命题若完全不涉及跨学科任务，"教—学—评"就在这一块直接断裂。
3. 试卷：用"多维细目表"代替"双向细目表"
传统双向细目表（内容 × 认知层级）的历史贡献不可否认：它使命题从经验驱动走向规范驱动，保障了内容效度。但它的结构性缺陷也已充分暴露——正如申宣成等学者所指出的，它"指向的是一种以学科知识点为纲、以知识点掌握水平为质量水平的学业质量观"，难以承载素养测评。
崔允漷对此有一个广为流传的批评："狗头考了解、狗身考理解、狗尾巴考简单应用"，学生得了 100 分也不知道什么是"狗"。
替代方案是多维细目表。以陈友芳教授团队提出的"学科任务—核心素养—真实情境—学科知识"四维结构为代表，其关键在于以"学科任务"为枢纽整合其余三维：先确定要学生完成什么任务，再反推所需知识，而不是先列知识点再配任务。
一份可落地的多维细目表，建议包含以下列：
题号 | 情境 类型 | 学科 任务 | 指向 素养 | 必备 知识 | 认知 层级 | 预估 难度 | 分值 | 评分方式 |
1 | 日常生活 | 辨识与判断 | 物理观念 | 牛顿第一定律 | 理解 | 0.85 | 3 | 客观 |
12 | 科技工程 | 探究与建构 | 科学思维/探究 | 能量守恒 | 创造 | 0.35 | 10 | SOLO 量表 |
有了这张表，三件事同时被保证：范围不失守、认知不掉档、评分有依据。 更重要的是，它让"韦伯四判据"从理念变成了行数——你可以直接统计"认知层级达到或超过目标水平的题目占比"，看它是否达到 50% 这条线。
4. 难度：不是"调"出来的，是"设计"出来的
一个常见误区是：先出题，再用数据"调难度"。但在素养命题中，难度主要由三个设计变量决定：
- 情境的陌生度
（熟悉 / 半熟悉 / 陌生）；
- 知识的整合度
（单点 / 多点 / 结构化）；
- 任务的开放度
（封闭 / 半开放 / 开放）。
这三个变量与学业质量水平存在对应关系。难度是水平定位的结果，而不是事后校准的产物。 这也正是为什么"素养卷"常被认为"难"——它难在整合与迁移，而不是难在偏门。
5. 审题：三道"效度闸门"
编完之后，必须过三道闸：
- 证据闸
这道题能引出什么证据？该证据能支撑哪个判断？判断是否超出了证据？（防"过度推论"）
- 构念闸
完成这道题还需要哪些非目标能力？阅读量、计算量、生活经验、文化背景是否构成了系统性障碍？（防构念无关变异）
- 公平闸
不同群体（城乡、性别、语言背景）在这道题上的表现差异，是否来自构念本身？（防不公平）
第三道闸在我国语境下尤其重要。城乡学生在"博物馆预约""出国研学""股票基金"类情境上的经验差异，会直接转化为分数差异——而这与学科素养无关。
七、闭环：让命题回流到教学
UbD 的三阶段是循环的，不是线性的。第三阶段的产出，必须回流到第一阶段。
在命题语境中，这个"回流"有两个具体含义。
1. 评分结果要成为"教学证据"
布莱克与威廉（Black & Wiliam, 1998）在综述 250 余项研究后指出，形成性评价的关键不在于"评"，而在于信息被用于调整教学。萨德勒（Sadler, 1989）则提出，学生要受益于反馈，必须知道三件事：好表现是什么样、自己现在在哪里、如何缩小差距。
这意味着评分规则必须向学生公开。当学生拿到的不只是一个分数，而是一份"SOLO 五级描述"时，他就获得了自我监控的工具。这也是"教—学—评一致性"在课堂层面的落地方式。
2. 试卷分析要回到"目标达成"而非"分数分布"
一份素养卷的分析报告，最有价值的部分不是"平均分 72.3"，而是：
哪些素养维度的证据最薄弱？
哪一水平的学生出现了系统性误判？
哪些题目的构念无关变异超出预期，需要修订？
这才是凯恩所说的"决策"环节——分数最终要支撑的是教学改进的决策，而不只是排序。
八、一张可操作的"命题逆向设计"工作单
为便于一线使用，把上述内容压缩为一张工作单。建议在每次命题前打印一份，逐栏填写，填不满的栏目即为风险点。
阶段一：确定预期结果
本次测评对应的学业质量水平是哪一层？（写出原文）
本卷要取证的核心素养是哪些？（不超过 3 项，多了必然失焦）
每项素养的关键表现是什么？（必须是可观察的动词短语）
学生可能出现的典型误解有哪些？（至少 3 条，用于干扰项）
本卷的基本问题是什么？（一句话，压轴题的灵魂）
阶段二：确定可接受证据
对每项素养，我打算用哪几个侧面取证？（解释/释义/应用/洞察/共情/自知）
每道大题是否写有取证规格（判断—证据—任务—认知—评分—风险）？
开放题的评分规则是否采用等级描述而非采点计分？
是否存在"只有一种答法"的伪开放题？
有没有哪项素养完全没有证据？（有则必须补题或删目标）
阶段三：设计试题与试卷
每个情境是否通过必要性、生成性、低负荷三条检验？
多维细目表是否覆盖情境、任务、素养、知识、认知、难度、评分方式？
认知层级达到或超过目标水平的题目占比是否 ≥ 50%（韦伯判据）？
题型结构是否形成证据梯度（辨别 → 推理 → 迁移）？
三道闸门（证据/构念/公平）是否逐一通过？
九、三个常见误区
误区一：把"情境化"等同于"素养化"。
给知识点套一个生活场景，认知要求却没变，这只是换了包装。判断标准始终是：学生要完成这个任务，需不需要整合、推理、判断？ 若只需回忆，情境再真也不算素养题。
误区二：把"开放性"等同于"无标准"。
真正的开放题是"路径开放、标准严格"。评分规则越精细，开放题才越敢开放。反之，没有等级描述的开放题，最终一定退化为"看字数给分"。
误区三：把"一致性"等同于"覆盖知识点"。
一致性是认知要求的一致性，不是内容条目的覆盖。一份把课标每条内容要求都配了一道记忆题的卷子，形式上完全"对齐"，实质上完全"错位"——韦伯的知识深度判据正是为此而设。
十、结语：命题者的身份转换
回到开头那个问题："这次考哪些知识点？"
UbD 给出的替代问法是："我希望在这份卷子里看到什么样的学生表现，以至于我愿意据此说——他具备了这项素养？"
这个问题一旦问出口，命题者的身份就变了：从知识点的分配者，变成证据的设计者；从题目的编辑，变成论证的起草人。
而这恰恰是"教—学—评一致性"最深的含义。崔允漷说一致性"既针对教师而言，也针对命题专家而言"，说的就是这个意思：教师和命题者不是两个工种，而是同一条证据链上的两端。教师在日常教学中生产证据，命题者在终结性评价中采集证据，两者共用同一套目标、同一套水平描述、同一套评分语言。
当这条链闭合时，考试就不再是教学的"外部审判"，而成为教学的延伸与确认。
这大概就是威金斯与麦克泰格那句朴素的话真正的分量：
"最好的设计应该是'以终为始'。"
对命题而言，"终"不是试卷，而是那个我们敢于作出的、关于学生的判断。
参考文献
中文文献与政策文件
外文文献
