2026-09-08。数据源：t.urongda.com 语文590条下载任务 → 432 结构化文档 → 201个分析场次 / 4,464条题目记录。 可视化版本：Artifact「高考语文命题图谱」暫不放出。

1. 语料全景与样本数据说明

本报告依托的语料库经过多轮数据处理与质量核查（端到端抓取、系统文本化、控制字符清洗、行内句中水印剔除、WMF矢量字元逆向回补、跨命名格式场次去重，以及规则精度闸门控制）。为明确教研与研究使用边界，现将全部底层样本的规模、年代、地域覆盖及去重口径完整说明如下：

1.1 样本规模与数据流转流水线

• 原始文档层：自 t.urongda.com 全量抓取语文科目 590 个任务，解压后共 598 个文件（本次目录实数：312档 .doc、253档 .pdf、31档 .docx、1份 .jpg、1份 .csv 清单；不能把598都称为试卷），物理体积 2.0 GB（2 128 451 623 字节）。
• 纯文本化层：经系统 textutil（343档）、Apple Vision OCR（72 档纯扫描件，片段 CER 1.05%）及 pdftotext（17 档）转换为 432 份纯文本 TXT，总字数达 549.8 万字。经 T1 控制字符清洗、24 条行内水印/Word域码剥离，以及 GBK WMF 矢量字元逆向提取（补回 docx 缺失字元，彻底修复 2024 新课标Ⅱ卷断句题缺失的「是」字），上述为既有局部校验结果，不代表全库逐字验收。
• 题目结构化层：经规则状态机与两轮高精度选项提取（实测精度 99.918%），解析出 9 249 条题目记录。
• 分析代表集（Canonical Set）：432 份文档中存在同场考试的多版本并存（如空白卷与解析卷并存、学科网版与菁优网版并存，多者一场考试有 5 份重卷）。本库以 (年份, 卷别, 季/卷型) 为主键建立 exam_id，每场考试仅取结构与答案最完整的一份作为分析代表卷（canonical，并非官方权威版本），最终沉淀为 201 场独立考试 canonical 试卷 / 4 464 道题目记录（其中 2008–2024 年历史主分析样本为 191 套 / 4 348 题）。

1.2 年代分布与完备性说明（2008–2026）

本库跨越 2008 至 2026 年共 19 个年份的高考真题。各年份具体套数、题目数及空白卷实测规模如下：

1.3 地域与卷别全景覆盖

语料库涵盖了中国高考从「分省自主命题蓬勃期」到「全国统一命题收拢期」再到「新高考分类命题期」的三大历史阶段，包含多种历史卷别与少量残卷；当前region_normalized有26个非空取值，另1场未标明，卷名并组仍需复核：

1. 直辖市独立命题卷（历史自主命题样本）：
   • 上海卷：共 29 套（2008–2026，含秋季高考 20 套、春季高考 5 套、其他版本 4 套）。属于本库较多的卷别，但混有春秋季及其他版本；不作全国完备性排名。
   • 北京卷：共 18 套（2008–2025）。以微写作与大作文、深层思辨评价见长。
   • 天津卷：共 17 套（2008–2025）。以高选择题比重、传统稳健风格见长。
   • 重庆卷：共 4 套（2012–2015）。自主命题收尾期样本。
2. 分省自主命题省份（在 2016 年收归全国卷或新高考改革前的独立样本）：
   • 江苏卷：13 套（2008–2020）。自主命题期以文学性深、大阅读难度高闻名。
   • 山东卷：10 套（2008–2017）。
   • 浙江卷：9 套（2009–2021）。持续坚持自主命题至新高考过渡期。
   • 四川卷（8 套，2008–2015）、广东卷（8 套，2008–2015）、湖南卷（8 套，2008–2015）、安徽卷（4 套，2012–2015）、湖北卷（4 套，2012–2015）、福建卷（4 套，2012–2015）、江西卷（3 套）、辽宁卷（3 套）。
3. 国家统考与新课标 / 新高考卷族（教育部考试中心统命题）：
   • 新课标Ⅰ卷：11 套（2013–2025；本库另有新高考Ⅰ卷3套，尚未合并）。
   • 新课标Ⅱ卷：11 套（2013–2025；本库另有新高考Ⅱ卷3套，尚未合并）。
   • 新课标Ⅲ卷：5 套（2016–2020）。
   • 全国Ⅰ卷 / Ⅱ卷：各 5 套（2008–2026）。
   • 全国甲卷 / 乙卷：甲卷 4 套（2021–2024）、乙卷 3 套（2021–2023）。
   • 早期新课标 / 大纲卷 / 海南宁夏卷：共 13 套。

2. 命题术语表

第2–7节为已有统计快照，尚未全部重新生成。正文更正及第9节复核优先；所有“首现／末现”只指本样本，不表示历史首次／最后一次。

对 4 464 道题干做 n-gram 挖掘后归并成可核对的固定用语。「题数」为命中题数，「卷数」为覆盖的 canonical 卷数。

选择题指令

主观题指令

答题限制

主观题指令

答题限制

选择题指令

答题限制

主观题指令

限定语

主观题指令

限定语

答题限制

选择题指令

限定语

选择题指令

限定语

选择题指令

限定语

选择题指令

主观题指令

限定语

主观题指令

答题限制

主观题指令

答题限制

选择题指令

使用寿命值得注意：只填序号 止于 2015 年，符合原文意思的一项 止于 2021 年， 而 根据材料 到 2012 年才首次出现——它是信息类文本阅读进入高考的标志词。

设问极性

年度等权平均为2008–2016年49.6%、2018–2024年64.1%；按期间合并的可判极性设问计数则为339/689（49.20%）与308/481（64.03%）。原n=1,267撤回，详见9.2。此结果不能推广至所有选择题，更不能作为默认选择负向答案的策略。

3. 考点全谱

体系来源：语料中 73 份菁优网试卷自带的 576 条原文 【考点】 标签，归并为 22 细类 / 9 大类。

大类分布

多标签命中数，不能相加解释为题型权重；未标注不等于未考查。

细类总量

历史样本标签出现率（不代表必考或退出）

按 2017–2024 年 69 份 canonical 卷的出现率排序，与 2008–2015 年 114 份对照。

注意：细类「文言文阅读」出现率下降34个百分点，可能涉及标签重分配；需要同题映射证据才能确认，不能解释为文言阅读能力退场。 大类层面文言文阅读为 95% → 97%，稳中有升。看趋势请以大类为准。

年度热力（每卷平均出现次数）

4. 卷面规模

只取空白卷计算（解析卷混入解析文字不可用）。指数以 2008 = 100。

2012 年下探是该年多份空白卷源文件本身截断（缺作文题），非命题变化。

分值结构

另有 5 551 道题的分值只写在大题标题（如「一、（9 分）」），是整组总分，语料中单存为 section_score，不与单题分值混用。

5. 作文命题形式

分类快照中，2008年材料／命题为3:4，2012年为13:1；2013–2014年命题标签为零，2010年后未检出话题作文标签。212条作文记录中有51条未归类，因此“零命中”不能写成实际退出，也不足以确定2012年为全国转折点。

6. 地域命题画像

只列 canonical 卷数 ≥ 4 的卷别。「反向」为选错误项占该卷别选择题设问的比例；「卷面字数」只统计空白卷。

三组对比：

• 上海样本中简答分类较多：选择题仅 24%（多数卷别 40–55%），简答分类约62%（不是全部主观题），反向设问 39%（不能据此作全部卷别最低排名）；每卷27.2条记录，须先统一大题／子题口径才能排名，卷面 6 355 字却偏少——题多、字少、主观题为主。
• 部分全国卷族的可识别设问偏负向：2008–2012 新课标卷 86%，新课标Ⅰ卷 65%，全国甲卷 69%，此处未控制年份和识别率，未做显著性检验，不概括为所有自主命题卷的反面。
• 江苏（32%）、重庆（36%）、广东（40%）偏主观，与山东（52%）、北京（51%）、天津（55%）分成两个阵营。

上海默写率是下限：上海卷默写写作「（1）＿＿＿，＿＿＿。（李白《蜀道难》）」，无「默写／补写」字样， 题型分类器把一部分归成了简答。分析时已就地修正 24 道但覆盖不全。这是本次分析反过来发现的数据层缺陷，前几轮质量核查没有抓到。

7. 命题素材

文言文：正史传记，集中在三部

语料中带「节选自／选自」的出处共 433 处，正史类 65 处。

《宋史》《史记》《明史》占正史选材的 58%，以人物传记为主。

古诗词体裁

明确标注朝代者：宋 25、唐 25、明 17、清 16、元 5——明清诗词已占三分之一，不再是唐宋独大。

名句默写高频篇目与作者

从默写题的篇目引用提取：488 处引用、192 个篇目、68 位作者。

苏轼 39、杜甫 32、李白 31 构成第一梯队；七位高频作者（苏、杜、李、辛弃疾、屈原、白居易、陶渊明）合计占全部引用的 37%。

8. 从命题描述到教学用途

8.1 目前最值得保留的研究方向

1. 设问语言如何组织思考：比较“分析作用”“根据材料”“评价”等指令，逐题查看要求、限制与证据位置。术语表首先是检索入口，不是作答模板。
2. 知识考查如何进入情境：字音、字形独立标签减少，不意味着语言基础不再考查；下一步需要核对这些能力是否转入阅读、修改与表达任务。
3. 同一能力在不同卷族中的表现：先按年份、正式卷名、春／秋季、课程改革阶段分层，再比较任务形式。不能把旧新课标卷与新高考卷仅按罗马数字并组。
4. 选材与设问的关系：出处频次可帮助寻找对照材料，但应按作品／材料组去重，不能把同一材料的多个子题当成多次选材。

官方背景可参照教育部发布的2024年全国高考语文试题评析：其中强调情境、应用以及语言运用向阅读的渗透。该页面本次搜索摘要可得、全文抓取超时，仅作背景索引，不据此确认本文任何统计比例或逐题判断。

8.2 教学应用边界

• 学生：按目标年份与卷别检索审题练习；历史频率不得显示为预测概率。“逐项核对文本证据”比机械默认选择错误项更稳妥。
• 教师：把同一指令、不同材料的题组成比较阅读，讨论证据链与表达要求；材料与答案必须先人工核验。
• 命题者：以目标地区当年正式试卷和课程要求为蓝本。本报告不规定8,600字、22–23题、60%反向题或统一分值；这些混合样本均值不能作模拟卷硬门槛。
• 分区域建议：原稿将北京、上海、天津与全国卷多年平均混写为现行备考规则，现撤回这一写法。分区域版本应逐年核查正式卷、评分要求和适用省份，再提出建议。45分钟阅读、10分钟微写作等可作为教师试行安排，不能声称由本语料证明。

8.3 尚未得到回答的问题

没有考生作答、得分和耗时数据，无法分析难度、区分度、学生能力提升或阅读负荷。没有独立完整卷清单，无法估算漏题率。没有跨年固定卷族与代表性标注评估，无法把频率变化归因为全国命题政策变化。

9. 复核证据、可重算口径与发布门槛

9.1 本次直接重算结果

读取 _index.json 指向的432个JSON，只保留 is_canonical=true，题目排除 readiness=answer_record。标签覆盖按非空 knowledge_points 计数；来源按 knowledge_point_source 计数。

已标注记录中1,517/2,020（75.10%）来自两种规则来源。原文标签用来调规则又用来测一致率，存在评估偏乐观风险；不能将91.3%层级一致率推广为全库精度。旧报告中的531／576等计数属于不同处理阶段或标签层级，应保留在原始质量报告中，不与本次canonical记录数混用。

输入指纹：433文件（索引＋其引用文件），按相对路径字典序依次输入“路径UTF-8、NUL、文件原始字节”计算 SHA-256：8c770ae4d6674a6e8254a078ebb5279a75aaeecf3d480fc2163f3460be7708fa。

基础核查可在现有环境直接执行（不写语料，不产生缓存）：

/Users/ylsuen/.venv/bin/python -B - <<'PYCODE'
import json, hashlib
from pathlib import Path
from collections import Counter
r = Path('/Users/ylsuen/Downloads/urongda-gaokao-yuwen-structured')
idx = json.loads((r / '_index.json').read_text())
docs = [json.loads((r / x['structured_file']).read_text()) for x in idx]
canonical = [d for d in docs if d['is_canonical']]
rows = [(d, q) for d in canonical for q in d['questions']
        if q['readiness'] != 'answer_record']
print('documents/canonical/questions:', len(docs), len(canonical), len(rows))
print('core:', sum(2008 <= d['year'] <= 2024 for d in canonical),
      sum(2008 <= d['year'] <= 2024 for d, q in rows))
print('labelled:', sum(bool(q['knowledge_points']) for d, q in rows))
print('sources:', Counter(q['knowledge_point_source'] for d, q in rows))
print('readiness:', Counter(q['readiness'] for d, q in rows))
print('years:', sorted(Counter(d['year'] for d, q in rows).items()))
h = hashlib.sha256()
for name in sorted(['_index.json'] + [x['structured_file'] for x in idx]):
    h.update(name.encode()); h.update(b'\0'); h.update((r / name).read_bytes())
print('sha256:', h.hexdigest())
PYCODE

这段代码仅重算上述基础事实，不声称重建第2–7节所有图表。那些表保留为旧分析快照，除本节明确复核项外仍待生成器与逐题命中清单补齐。

9.2 已发现的统计风险

9.3 从研究底稿到公开结果的验收

1. 每张公开图有指标定义、分母、有效n、排除数、年份／卷族范围、输入指纹、生成代码和对应题目ID清单。
2. canonical与空白卷以统一exam_id联结；问题卷隔离；2025–2026不进入主趋势。先做北京、上海秋考及同一全国卷族的连续年份比较，再对照全样本。
3. 人工审阅拟公开的全部案例；标签评估另建未参与规则设计的分层样本，报告精确率和召回，不以规则内部一致性代替。
4. 设问比率应同时展示分子／分母；考点多标签不能解释为总和100%的份额；字数不命名为难度或阅读耗时。
5. 博客可以先发表项目方法、已重算规模及研究边界；未通过上述核查的图表与强趋势结论不公开定论。互动研究页的公开数字也必须过同一门槛。