Vocabolario QCER obiettivo

Fasce QCER e scala cumulativa del vocabolario

Quando invia un livello attuale e un livello obiettivo strettamente superiore, il motore consulta entrambe le dimensioni cumulative, sottrae la dimensione di partenza effettiva da quella obiettivo e restituisce la differenza non negativa come words_to_learn. Il campo path elenca ogni fascia dall’inizio al traguardo per mostrare i traguardi intermedi, e level_steps scompone lo scarto totale in incrementi per fascia, ad esempio da A2 a B1 sono mille parole e da B1 a B2 sono duemila.

Contratto di ingresso, override e forma della risposta

I fallimenti di validazione nominano il campo in causa e non vengono fatturati. Invii un corpo JSON con due stringhe di livello QCER obbligatorie: current_level e target_level. I valori accettati sono A1, A2, B1, B2, C1 e C2 in qualsiasi capitalizzazione; alias come from e to mappano gli stessi campi. L’obiettivo deve stare strettamente più in alto sulla scala del livello attuale: se sono uguali o invertiti, l’attività fallisce con invalid_input invece di restituire uno zero silenzioso che potrebbe essere letto come successo. Invia opzionalmente known_words come numero non negativo quando il Suo mazzo, test di placement o tracker di liste riporta una dimensione reale diversa dalla media della scala per la Sua fascia; il motore tronca le frazioni a parole intere e usa quella cifra come dimensione di partenza. Invia opzionalmente words_per_day come ritmo strettamente positivo; se presente, days_needed è il ceiling di words_to_learn diviso per quel ritmo, oppure zero se ha già raggiunto la dimensione obiettivo. Le risposte di successo ecoano i livelli normalizzati, le dimensioni ladder_current e target_vocab, known_words usato, words_to_learn, already_reached, levels_to_climb, path, level_steps, percent_of_target, una breve stringa di formula, un messaggio leggibile e passi numerati. Quando è stato fornito un ritmo giornaliero compaiono anche words_per_day e days_needed; i campi opzionali sono omessi anziché impostati a null.

Pianificazione dello studio, tutoring e integrazioni di prodotto

Le scuole di lingue usano un calcolatore di obiettivo di vocabolario QCER per fissare quote settimanali di parole nuove allineate all’obiettivo dichiarato dello studente, ad esempio passare da A2 a B1 prima di un’iscrizione autunnale. La validazione fallita non consuma il saldo. Mantenga la scala fissa nei testi di prodotto affinché gli utenti capiscano che i numeri sono stime di pianificazione; li combini con un placement basato sulle abilità quando serve una preparazione completa alla certificazione QCER, e usi questo strumento quando la domanda riguarda specificamente quanto è grande il delta di vocabolario tra due fasce. Gli apprendenti indipendenti abbinano la cifra words_to_learn a un tetto giornaliero di ripetizione distanziata così che i mazzi Anki o Memrise non promettano troppo rispetto alla data d’esame. Tutor e coach aprono le sessioni con uno scarto numerico condiviso invece di discorsi vaghi sui progressi, poi aggiornano known_words man mano che le liste crescono. Plugin LMS e app mobili di studio chiamano lo stesso endpoint parse da worker di edge perché l’algoritmo è aritmetica pura, senza token di modello né rete in uscita.