chineseclass/docs/Foundation-Segment-Framework.md

Foundation Segment Framework

Version

• Framework: v1.0
• Date: 2025-10-30
• Type: Foundation Segment (Grammar/Vocabulary)

---

Overview

Le Foundation Segment est un enabler - il ne teste pas une skill spécifique comme Speaking ou Writing, mais plutôt la compréhension grammaticale et la maîtrise du vocabulaire qui servent de base pour toutes les skills.

Objectif : Vérifier que l'étudiant comprend et peut appliquer les structures grammaticales et le vocabulaire enseignés durant le mois.

Important : Pas de production libre extensive comme dans les Skill Segments. Focus sur compréhension + application contrôlée.

---

Foundation Exam Structure (100 points)

Exercice 1 : Vocabulary Mastery (10 points)

• 20 mots aléatoires tirés de tous les chapters du mois
• 10 L1→L2 (ex: Français → 中文)
• 10 L2→L1 (ex: 中文 → Français)
• Scoring : 0.5 point par réponse exacte
• Critère : Réponse EXACTE uniquement, pas de contexte, pas de MCQ
• Objectif : Prouver qu'on connaît le mot sans béquille

---

Exercice 2 : Grammar Application (10 points)

• 10 structures grammaticales à appliquer
• Une phrase est donnée, l'étudiant doit compléter/utiliser la structure imposée
• Scoring : 1 point par structure utilisée correctement
• Critère : On évalue UNIQUEMENT la structure, pas le sens/créativité
• Exemple : "Utiliser 把字句 : _______" → étudiant produit une phrase avec 把

---

Exercice 3 : Text Comprehension - Factual (10 points)

• 1 texte utilisant vocab et grammar du mois
• 10 questions simples de type factuel : Où ? Qui ? Quand ? Quoi ? Pourquoi ? Comment ?
• Scoring : 1 point par réponse correcte
• Objectif : Compréhension basique du texte (factuel, pas d'interprétation)

---

Exercice 4 : Text Comprehension - Detailed (10 points)

• Basé sur le même texte que Exercice 3
• 5 points spécifiques du texte à expliquer avec ses propres mots
• Scoring : 2 points chacun
• Critère : Compréhension + début d'expression (reformulation personnelle)
• Objectif : Vérifier compréhension plus profonde + capacité à reformuler

---

Exercice 5 : Grammar Transformation (10 points)

• 5 phrases à reformuler avec contrainte grammaticale imposée
• Exemples de transformations :
  • Actif → Passif
  • Affirmatif → Négatif
  • Présent → Passé
  • Phrase simple → Structure complexe (ex: 不但...而且...)
• Scoring : 2 points par reformulation correcte
• Critère : Structure grammaticale contrôlée uniquement

---

Exercice 6 : Error Correction (10 points)

• 5 phrases générées par IA avec erreurs grammaticales/vocabulaire intentionnelles
• Basées sur les structures et vocab du mois
• L'étudiant doit identifier et corriger les erreurs
• Scoring : 2 points par phrase corrigée sans erreur
• Objectif : Capacité à reconnaître et corriger les erreurs courantes

---

Exercice 7 : Cloze Test - Vocabulary in Context (10 points)

• Texte à trous avec options proposées pour chaque trou
• 10 mots manquants à placer correctement (choix multiples pour chaque trou)
• Scoring : 1 point par mot correct
• Objectif : Comprendre le vocab en contexte, pas juste en isolation

---

Exercice 8 : Translation (10 points)

• 5 phrases à traduire (L1→L2 ou L2→L1)
• Phrases utilisent vocab et grammar du mois
• Scoring : 2 points par phrase correcte
• Critère : Traduction correcte (grammar + vocab)

---

Exercice 9 : Coherent Production (20 points)

• Contraintes imposées :
  • 5 mots aléatoires du mois (à utiliser obligatoirement)
  • 5 structures grammaticales du mois (à utiliser obligatoirement)
• Objectif : Écrire un texte cohérent qui fait du sens ET utilise tous les éléments imposés
• Scoring :
  • 1 point par mot utilisé correctement (5 points total)
  • 1 point par structure utilisée correctement (5 points total)
  • 10 points pour la cohérence globale du texte
• Critère : Le texte doit faire du sens. On ne peut pas juste lister les mots/structures sans cohérence.

---

Passing Criteria

• >80% : PASS ✓ - Excellent, continue normalement
• 50-80% : DIFFICULTY ⚠ - Révision nécessaire, identifie les weak points
• <50% : CRITICAL ✗ - Arrête la progression, révision intensive obligatoire

---

Notes Importantes

Pas de MCQ pur

• Exercice 1 (Vocab Mastery) = réponse libre exacte, pas de choix multiples
• Exercice 7 (Cloze Test) = seul exercice avec options proposées, car c'est du vocab EN CONTEXTE

Progression de difficulté

• Ex 1-2 : Isolation (vocab/grammar seuls)
• Ex 3-4 : Compréhension (lire et comprendre)
• Ex 5-6 : Application (transformer/corriger)
• Ex 7-8 : Contexte (vocab en contexte + traduction)
• Ex 9 : Production (créer quelque chose de cohérent)

Universalité

Ce framework fonctionne pour n'importe quelle langue. Il suffit d'adapter :

• L1/L2 selon la paire de langues
• Types de structures grammaticales selon la langue cible
• Longueur de texte selon niveau

---

Technical Implementation

Format & Storage

Format : JSON + HTML interface

Structure des fichiers :

Exams/Foundation/YYYY-MM/
  ├── exam.json                    # Généré par AI - questions + structure
  ├── exam-answers.json            # Copie de exam.json + réponses étudiant
  └── exam-corrected.json          # Généré par AI - notes + feedback

Workflow A→Z

1. Génération (AI)

• Input : Chapters complétés durant le mois (ex: Hanyu Ch 1, 3, 4, 5)
• Process : AI génère exam.json selon structure définie
• Output : Exams/Foundation/YYYY-MM/exam.json

2. Passage de l'exam (Étudiant)

• Copier exam.json → exam-answers.json
• Charger dans interface HTML
• Remplir les champs "answer": "..." pour chaque question
• Sauvegarder exam-answers.json

3. Correction (AI)

• Input : exam-answers.json (contient questions + réponses)
• Process : AI évalue chaque réponse selon critères
• Output : exam-corrected.json avec champs "rate": X + feedback global

Structure JSON

Chaque exercice utilise une structure rigide pour garantir la validation mécanique.

Exemple Exercice 1 :

{
  "metadata": {
    "exam_id": "foundation-hanyu-202501",
    "month": "2025-01",
    "segment": "foundation",
    "chapters_covered": ["1", "3", "4", "5"],
    "generated_date": "2025-01-25",
    "total_points": 100
  },
  "exercice1_vocabulary": {
    "total_points": 10,
    "l1_to_l2": {
      "word1": { "l1": "parler", "l2_expected": "说", "points": 0.5, "answer": "", "rate": null },
      "word2": { "l1": "ami", "l2_expected": "朋友", "points": 0.5, "answer": "", "rate": null },
      ...
      "word10": { ... }
    },
    "l2_to_l1": {
      "word11": { "l2": "学习", "l1_expected": "étudier", "points": 0.5, "answer": "", "rate": null },
      ...
      "word20": { ... }
    }
  }
}

Champs :

• l1, l2, l2_expected, l1_expected : Données de l'exam (générées par AI)
• answer : Rempli par l'étudiant dans exam-answers.json
• rate : Rempli par AI dans exam-corrected.json (score obtenu)

Validation

Validation Structurelle (mécanique - comme un compilateur)

• Vérifier que JSON est parsable
• Vérifier présence de tous les exercices (1-9)
• Vérifier nombre exact de questions par exercice :
  • Ex1 : word1-word20 (20 mots)
  • Ex2 : structure1-structure10 (10 structures)
  • Ex3 : question1-question10 (10 questions)
  • etc.
• Vérifier que chaque champ requis existe et n'est pas vide

Validation de Contenu (basique)

• Vérifier longueur minimum des textes
• Vérifier cohérence des points (total = 100)
• Pas de validation qualité des textes (trust & iterate)

Script de validation

À créer : validate-exam.js qui vérifie structure + contenu basique avant publication de l'exam.

Génération de l'exam par AI

Stratégie : Trust & Iterate

• Pas de validation qualité AI-to-AI au début
• Si problèmes en pratique → ajuster prompts ou ajouter AI review

Input requis :

• Liste des chapters complétés durant le mois
• Vocab lists de ces chapters
• Grammar structures de ces chapters

Process :

1. AI scan les chapters du mois pour ce segment
2. AI génère exam.json selon structure rigide définie
3. Validation mécanique du JSON
4. Si validation OK → exam publié, sinon → regénération

Prompt de génération : À définir (sera créé plus tard)

Correction par AI

Input : exam-answers.json (contient toutes les questions + réponses étudiant)

Process :

• AI évalue chaque réponse selon critères de l'exercice
• AI génère feedback détaillé par exercice
• AI calcule score total

Output : exam-corrected.json avec :

• Champs rate remplis pour chaque question
• Feedback global
• Score total et statut (PASS/DIFFICULTY/CRITICAL)

Prompt de correction : À définir (sera créé plus tard)

---

Prochaines étapes

• Définir structure JSON complète exercice par exercice
• Créer script de validation (validate-exam.js)
• Définir prompts de génération pour AI
• Définir prompts de correction pour AI
• Créer interface HTML pour passage d'exam
• Tester avec un exam pilote
• Itérer selon résultats