Vocabulaire CECR cible

Bandes CECR et échelle cumulative de vocabulaire

Lorsque vous soumettez un niveau actuel et un niveau cible strictement supérieur, le moteur consulte les deux tailles cumulatives, soustrait la taille de départ effective de la taille cible et renvoie la différence non négative comme words_to_learn. Le champ path énumère chaque bande du départ à la cible pour afficher les jalons intermédiaires, et level_steps décompose l’écart total en incréments par bande, par exemple A2 vers B1 égale mille mots et B1 vers B2 égale deux mille.

Contrat d’entrée, substitutions et forme de la réponse

Les échecs de validation nomment le champ en cause et ne sont pas facturés. Envoyez un corps JSON avec deux chaînes de niveau CECR obligatoires : current_level et target_level. Les valeurs acceptées sont A1, A2, B1, B2, C1 et C2 quelle que soit la casse ; des alias comme from et to mappent les mêmes champs. La cible doit être strictement plus haute sur l’échelle que le niveau actuel — si elles sont égales ou inversées, la tâche échoue avec invalid_input plutôt que de renvoyer un zéro silencieux qui pourrait être lu comme un succès. Envoyez éventuellement known_words comme nombre non négatif lorsque votre paquet, test de placement ou suivi de listes indique une taille réelle différente de la moyenne d’échelle pour votre bande ; le moteur tronque les fractions en mots entiers puis utilise ce chiffre comme taille de départ. Envoyez éventuellement words_per_day comme rythme strictement positif ; lorsqu’il est présent, days_needed est le plafond de words_to_learn divisé par ce rythme, ou zéro si vous atteignez déjà la taille cible. Les réponses réussies reprennent les niveaux normalisés, les tailles ladder_current et target_vocab, known_words utilisé, words_to_learn, already_reached, levels_to_climb, path, level_steps, percent_of_target, une courte chaîne de formule, un message lisible et des étapes numérotées. Lorsqu’un rythme quotidien a été fourni, words_per_day et days_needed apparaissent aussi ; les champs optionnels sont omis plutôt que mis à null.

Planification d’étude, tutorat et intégrations produit

Les écoles de langues utilisent un calculateur d’objectif de vocabulaire CECR pour fixer des quotas hebdomadaires de mots nouveaux alignés sur l’objectif déclaré d’un élève, par exemple passer de A2 à B1 avant une rentrée d’automne. Une validation échouée ne consomme pas le solde. Conservez l’échelle fixe dans vos textes produit pour que les utilisateurs comprennent que les chiffres sont des estimations de planification ; combinez-les avec un placement par compétences lorsque vous avez besoin d’une préparation complète à la certification CECR, et utilisez cet outil lorsque la question porte précisément sur l’ampleur de l’écart de vocabulaire entre deux bandes. Les apprenants indépendants associent le chiffre words_to_learn à un plafond quotidien de répétition espacée afin que les paquets Anki ou Memrise ne promettent pas trop par rapport à la date d’examen. Tuteurs et coachs ouvrent les séances avec un écart numérique partagé plutôt qu’un discours vague de progression, puis ajustent known_words à mesure que les listes grandissent. Les plugins LMS et les applications mobiles d’étude appellent le même endpoint parse depuis des workers en périphérie, car l’algorithme est de l’arithmétique pure sans jetons de modèle ni réseau sortant.