Skip to content

Atomizitäts-Reviewprozess

Generated artifact. Do not edit manually.

Generated by: scripts/build_compendia.py Regenerate with: python3 scripts/build_compendia.py --compendium qa-ci-lanes --web-and-tex Source of truth: docs/qa-ci/lanes-source/

Sprache / Language: Deutsch (DE) · English (EN) | PDF: Deutsches PDF · English PDF

Kompendium: §1 CI-Architektur · §2 Qualitätsdashboard · §3 Mapping-Workbench · §4 Paketbereitschaft · §5 Release-Modell-Konformität · §6 Duale Release-Verträge · §7 Relationsprüfungen · §8 Atomizitäts-Review · §9 Voraussetzungs-Review · §10 Menschliche Review-Gates · §11 MEM-SPARQL-Audit · §12 MEM-SPARQL-Runbook · §13 Quellenbegründungen-Runbook · §14 Abi-2026-DeepLink-QA

8. Atomizitäts-Reviewprozess

Dieses Kapitel beschreibt den wiederholbaren manuellen Autoren- und QA-Workflow, mit dem bestehende Blattziele (contains: []) einer Skill-Landschaft auf echte didaktische Atomizität geprüft und gebündelte Ziele sauber aufgeteilt werden (ergänzend zum maschinell gestützten Ledger-Gate CQR-301 in Semantische Atomizität).

8.1. Geltungsbereich und Arbeitsdefinition

Geprüft wird jeweils eine Landschaftsdatei pro Durchgang über alle Ziele mit contains: []. Bewusst ausgenommen sind Zieltypen mit eigenen QA-Lanes:

  • Memorierungsziele mit memorization oder srs-deck:*,
  • Prüfungs- und Aufgabenbündel mit examData,
  • Motivations- und Orientierungsziele (Motivation, Orientation).

Ein fachliches Lernziel gilt als atomar, wenn alle vier Kriterien erfüllt sind:

  1. Es beschreibt genau eine tragende Kompetenzhandlung.
  2. Es ist realistisch in 1–3 Aufgaben überprüfbar.
  3. Es bildet relativ zu seinen Voraussetzungen einen kleinen didaktischen Lernschritt.
  4. Es versteckt keine unabhängigen Teilkompetenzen hinter einem Sammelsatz (Warnsignale: mehrere Verben unterschiedlicher kognitiver Stufen, mehrere Teilgebiete oder getrennte Nachweispflichten).

8.2. Siebenstufiger Review-Ablauf und Entscheidungsdatei

Das Werkzeug app/scripts/generateAtomicReport.ts (npm run report:atomic) bereitet Entscheidungsgerüst und Befundbericht (../tmp/atomic_findings_<curriculum>.md mit Zusammenfassung, not_ok-Befunden und Komplettanhang) vor:

cd app
npm run report:atomic -- \
  --input ../curricula/<...>/json/<file>.json \
  --decisions ../tmp/atomic_decisions_<name>.json \
  --init-decisions
  1. Entscheidungsgerüst initialisieren oder aktualisieren.
  2. Jedes Blattziel semantisch zerlegen (Handlungsverben, Gegenstandsbereich, erwarteter Kompetenznachweis).
  3. Manuell prüfen, ob eine Aufteilung in 2–4 Teilziele Klarheit und Prüfbarkeit substanziell verbessert (nur bei echtem didaktischem Präzisionsgewinn not_ok vergeben, nicht aus rein stilistischen Gründen).
  4. Status (ok, not_ok, pending) in der JSON-Entscheidungsdatei festhalten:
{
  "goals": {
    "<goalId-a>": { "status": "ok" },
    "<goalId-b>": {
      "status": "not_ok",
      "problem": "warum das Ziel gebuendelt ist",
      "proposal": "wie es in 2-4 Teilziele geschnitten wird"
    },
    "<goalId-c>": { "status": "pending" }
  }
}
  1. Für not_ok-Ziele einen konkreten Schnitt ausarbeiten (title, description, requires, Eltern-contains).
  2. Nach Umsetzung Zyklenfreiheit, Referenzintegrität und Gewichte prüfen (atomare Ziele behalten in der Regel weight = 1; Clustergewichte spiegeln die Anzahl eindeutiger atomarer Nachfahren wider).
  3. Abschließend cd app && npm run validate:graph ausführen.