Longitudinal Skill State و Mastery Model

مسئله‌ی واقعی

در یک سامانه‌ی یادگیری، «آخرین نمره»، «تمام‌کردن درس» یا «یک پروژه‌ی خوب» مساوی mastery نیست. هدف این درس ساخت Longitudinal Skill State Ledger & Mastery Transition Model v1 است؛ مدلی که نشان می‌دهد هر تغییر state دقیقاً با کدام evidence، در چه زمان و context، با چه کیفیت و سطح استقلال رخ داده است.

در پایان باید بتوانید یک تصمیم محدود و بازتولیدپذیر بسازید: promotion، hold، downgrade یا re-open فقط وقتی مجاز است که evidence موردنیاز دیده شود.

مرز درس

این درس مالک taxonomy مهارت‌ها نیست و الگوریتم diagnostic/adaptive را هم طراحی نمی‌کند. MKN-003 مرز competency و prerequisite را می‌دهد؛ MKN-005 بعداً assessment decision را می‌سازد. اینجا فقط تاریخچه‌ی evidence و transition یک competency را مدیریت می‌کنیم.

سه اصل: event ≠ evidence کافی، evidence ≠ mastery، mastery state ≠ credential.

مدل ذهنی: Ledger + Transition

هر ردیف ledger یک observation قابل ردگیری است، نه حکم نهایی. transition engine باید state قبلی، نوع evidence، context، استقلال، quality، contradiction و staleness را ببیند و سپس state بعدی را با rule مشخص پیشنهاد کند.

اگر اطلاعات کافی نیست، stateهایی مثل UNKNOWN، DEVELOPING، PROVISIONAL، HOLD، CONTRADICTED یا REVIEW_REQUIRED باید قابل‌مشاهده بمانند؛ سیستم حق ندارد فضای خالی را با اطمینان ساختگی پر کند.

قرارداد ۱۶ فیلدی

Artifact اصلی ۱۶ بُعد دارد: learner، competency، evidence، زمان، نوع evidence، context، استقلال، کیفیت، state قبل، rule، state بعد، confidence، contradiction، staleness، review due و provenance.

event_time برای ترتیب زمانی است؛ review_due برای زمان بازبینی. evidence_type باید مشخص کند observation صرفاً activity است یا competence-bearing. provenance باید اجازه دهد reviewer به منبع synthetic برگردد.

چرا تازه‌ترین رویداد نباید همه‌چیز را overwrite کند؟

Recency فقط یکی از ابعاد است. یک artifact قوی ولی متعلق به context جدید می‌تواند ارزشمند باشد، اما ممکن است prerequisite dimension، transfer evidence یا استقلال کافی را پوشش ندهد. برعکس، evidence قدیمی ممکن است هنوز مفید باشد ولی به‌دلیل staleness نیاز به refresh داشته باشد.

تناقض هم حذف نمی‌شود: اگر learner قبلاً MASTERED بوده ولی transfer task جدید failure جدی نشان دهد، مدل باید CONTRADICTED یا REVIEW_REQUIRED را باز کند. این downgrade تنبیه نیست؛ ثبت صادقانه‌ی وضعیت evidence است.

داده‌های Caliper می‌توانند activityهایی مثل assessment، media، reading یا session را با vocabulary مشترک ثبت کنند، اما تبدیل این eventها به mastery transition یک rule محلی و جداست.

مثال پایه

فرض کنید learner شش ماه قبل diagnostic قوی داشته، ماه قبل در transfer task شکست خورده، این هفته چند lesson را کامل کرده و امروز یک project artifact مستقل و قوی ساخته است. completionهای این هفته فقط activity signal هستند. project امروز competence-bearing است، اما failure ماه قبل contradiction باز ایجاد می‌کند. نتیجه‌ی معقول REVIEW_REQUIRED یا state موقت است، نه پاک‌کردن contradiction و اعلام mastery قطعی.

در جدول سه case می‌بینید: baseline، shortcut غلط و transfer با evidence sparse.

خطاهای پرتکرار

1. Newest-event wins: آخرین event کل history را overwrite می‌کند.
2. Completion inflation: completion/access را competence evidence می‌گیرد.
3. Contradiction erasure: failure جدید را چون یک artifact قوی داریم نادیده می‌گیرد.
4. Staleness blindness: evidence قدیمی بدون review باقی می‌ماند.
5. Context collapse: evidence context جدید را با context قبلی یکسان فرض می‌کند.
6. Hidden provenance: reviewer نمی‌تواند بفهمد transition از کجا آمده است.

انتخاب state بدون اغراق

اگر evidence چندبعدی، مستقل، تازه و بدون contradiction است، MASTERY_EVIDENCE_REVIEW_READY می‌تواند مناسب باشد. اگر evidence رو به رشد است ولی هنوز کافی نیست، MASTERY_DEVELOPING. اگر evidence اصلی stale شده، MASTERY_REVIEW_STALE. اگر evidence جدید با state قبلی تعارض دارد، MASTERY_REOPEN_CONTRADICTION.

هیچ‌کدام credential نیستند و هیچ‌کدام اجازه‌ی mutation رکورد واقعی learner را نمی‌دهند.

برای پیاده‌سازی واقعی

در سیستم production، ledger append-only یا history-preserving بسیار مهم است. transition باید versioned rule id داشته باشد تا بتوانیم بعداً بگوییم state چرا تغییر کرده است. derived current-state می‌تواند materialized باشد، اما evidence history نباید با تغییر state پاک شود.

این درس threshold آماری یا مدل Bayesian خاصی تحمیل نمی‌کند؛ آن جزئیات باید تحت policy جداگانه و با evidence مناسب انتخاب شوند.

تمرین هدایت‌شده و مستقل

ابتدا baseline fixture را اجرا کنید و همه‌ی ۱۶ فیلد را کامل کنید. سپس newest event = activity-only را امتحان کنید: transition باید promotion را متوقف کند. بعد contradiction جدید را به state قبلی MASTERED اضافه کنید؛ مدل باید re-open کند.

در تمرین مستقل، همه‌ی evidenceهای حمایتی را stale کنید و فقط یک event ضعیف تازه نگه دارید. نتیجه نباید mastery قطعی باشد. در transfer، competency جدید با یک artifact قوی اما sparse dimensions را از صفر recompute کنید.

چگونه نتیجه را verify کنیم؟

چهار سؤال: آیا همه‌ی فیلدهای decisive مقدار معتبر دارند؟ آیا activity-only از competence-bearing جداست؟ آیا contradiction/staleness قابل مشاهده‌اند؟ آیا transition از state قبلی به state بعدی با rule و provenance بازسازی می‌شود؟

Lab آفلاین این قواعد را روی baseline و mutationها بدون network یا داده‌ی واقعی learner اجرا می‌کند.

ارزیابی و Transfer

ارزیابی شامل retrieval مرز درس، ساخت ledger برای baseline، diagnosis shortcut «newest activity = mastery» و transfer به competency دیگری است که evidence کم اما artifact قوی دارد.

در transfer، label baseline ممنوع است. باید context، dimension coverage، independence، quality، contradiction و staleness دوباره خوانده شوند. artifact قوی می‌تواند confidence را بالا ببرد، اما dimensionهای غایب را جادو نمی‌کند.

منابع و تازگی

FACT: 1EdTech Caliper Analytics 1.2 برای capture و presentation سازگارِ learning activity و vocabulary مشترک طراحی شده و metric profileهای متنوع دارد. INFERENCE: جدا نگه‌داشتن activity event از mastery state، auditability را بهتر می‌کند. DESIGN: state vocabulary، transition rules، contradiction/staleness policy و review cadence در این درس authority طراحی MAKNOW هستند.

منبع: 1EdTech Caliper Analytics — https://www.1edtech.org/standards/caliper (بازبینی freshness: 2026-09-14؛ موعد بعدی: 2027-01-15 یا زودتر در صورت تغییر معنادار).