DRAFT DRAFT DRAFT

Proposition de Stockage des Données de Compétences

Vue d'ensemble

Cette proposition détaille les différentes options pour stocker et utiliser les données de mapping entre générateurs et compétences.

Options de Stockage

1. Fichier JSON de Configuration ⭐ RECOMMANDÉ

Emplacement : src/sujets0/data/competences_mapping.json

json

{
  "metadata": {
    "version": "1.0",
    "last_updated": "2024-01-17",
    "description": "Mapping des générateurs Sujets 0 vers compétences BAC 1ère",
    "total_generators": 24,
    "total_competences": 41
  },
  "mapping": {
    "spe_sujet1_auto_01_question.py": {
      "competences": ["bac_1_auto_2_2DE", "bac_1_auto_4_2DE", "bac_1_auto_8_2DE"],
      "description": "Calculer l'inverse d'un multiple d'un nombre",
      "domaine": "calcul_numerique",
      "difficulte": "facile"
    },
    "spe_sujet1_auto_02_question.py": {
      "competences": ["bac_1_auto_2_2DE", "bac_1_auto_8_2DE", "bac_1_auto_12_2DE"],
      "description": "Évaluer F = a + b/(c*d) avec fractions",
      "domaine": "calcul_numerique",
      "difficulte": "moyen"
    }
  },
  "competences_index": {
    "bac_1_auto_1_2DE": {
      "titre": "Comparer des nombres réels",
      "domaine": "nombres",
      "generators": ["spe_sujet1_auto_09_question.py"]
    },
    "bac_1_auto_2_2DE": {
      "titre": "Opérations sur fractions",
      "domaine": "nombres", 
      "generators": ["spe_sujet1_auto_01_question.py", "spe_sujet1_auto_02_question.py"]
    }
  }
}

Avantages : - ✅ Structure riche avec métadonnées - ✅ Index inversé (compétence → générateurs) - ✅ Facilement extensible - ✅ Parsable par Python/JavaScript - ✅ Validation possible avec JSON Schema

2. Base de Données SQLite

Emplacement : src/sujets0/data/competences.db

sql

-- Table des générateurs
CREATE TABLE generators (
    id INTEGER PRIMARY KEY,
    filename VARCHAR(100) UNIQUE,
    description TEXT,
    domaine VARCHAR(50),
    difficulte VARCHAR(20),
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

-- Table des compétences
CREATE TABLE competences (
    id VARCHAR(20) PRIMARY KEY,
    titre VARCHAR(200),
    domaine VARCHAR(50),
    description TEXT
);

-- Table de liaison (many-to-many)
CREATE TABLE generator_competences (
    generator_id INTEGER,
    competence_id VARCHAR(20),
    PRIMARY KEY (generator_id, competence_id),
    FOREIGN KEY (generator_id) REFERENCES generators(id),
    FOREIGN KEY (competence_id) REFERENCES competences(id)
);

Avantages : - ✅ Requêtes SQL complexes - ✅ Relations normalisées - ✅ Performance pour gros volumes - ❌ Plus complexe à maintenir

3. Fichiers YAML Séparés

Structure :

src/sujets0/data/
├── competences/
│   ├── spe_sujet1.yml
│   ├── spe_sujet2.yml
│   └── competences_ref.yml
└── schemas/
    └── competence_schema.yml

Exemple : src/sujets0/data/competences/spe_sujet1.yml

text

generators:
  spe_sujet1_auto_01_question:
    competences:
      - bac_1_auto_2_2DE
      - bac_1_auto_4_2DE
      - bac_1_auto_8_2DE
    description: "Calculer l'inverse d'un multiple"
    domaine: calcul_numerique
    difficulte: facile

Avantages : - ✅ Lisible et éditable - ✅ Structure par sujet - ✅ Validation avec schémas - ❌ Fragmentation des données

4. Configuration Python

Emplacement : src/sujets0/config/competences.py

python

from typing import Dict, List, NamedTuple

class GeneratorCompetence(NamedTuple):
    competences: List[str]
    description: str
    domaine: str
    difficulte: str

COMPETENCES_MAPPING: Dict[str, GeneratorCompetence] = {
    "spe_sujet1_auto_01_question.py": GeneratorCompetence(
        competences=["bac_1_auto_2_2DE", "bac_1_auto_4_2DE", "bac_1_auto_8_2DE"],
        description="Calculer l'inverse d'un multiple d'un nombre",
        domaine="calcul_numerique",
        difficulte="facile"
    ),
    # ...
}

# Index inversé
COMPETENCE_TO_GENERATORS: Dict[str, List[str]] = {
    "bac_1_auto_2_2DE": ["spe_sujet1_auto_01_question.py", "spe_sujet1_auto_02_question.py"],
    # ...
}

Avantages : - ✅ Type safety avec Python - ✅ Import direct dans le code - ✅ Validation à l'exécution - ❌ Moins flexible pour édition

Recommandation : Option JSON

Structure Recommandée

src/sujets0/
├── data/
│   ├── competences_mapping.json     # Données principales
│   ├── competences_schema.json      # Validation JSON Schema
│   └── README.md                    # Documentation des données
├── services/
│   ├── __init__.py
│   ├── competences_service.py       # Service d'accès aux données
│   └── competences_analyzer.py      # Analyses et statistiques
├── scripts/
│   ├── validate_mapping.py          # Validation des données
│   ├── generate_stats.py            # Génération de statistiques
│   └── export_mapping.py            # Export vers autres formats
└── COMPETENCES_MAPPING.md           # Documentation complète

Service d'Accès

python

# src/sujets0/services/competences_service.py
import json
from pathlib import Path
from typing import Dict, List, Optional

class CompetencesService:
    def __init__(self):
        self.data_path = Path(__file__).parent.parent / "data" / "competences_mapping.json"
        self._data = None

    def load_data(self) -&gt; Dict:
        if self._data is None:
            with open(self.data_path, 'r', encoding='utf-8') as f:
                self._data = json.load(f)
        return self._data

    def get_competences_for_generator(self, filename: str) -&gt; List[str]:
        data = self.load_data()
        return data["mapping"].get(filename, {}).get("competences", [])

    def get_generators_for_competence(self, competence_id: str) -&gt; List[str]:
        data = self.load_data()
        return data["competences_index"].get(competence_id, {}).get("generators", [])

    def get_statistics(self) -&gt; Dict:
        # Génération de statistiques automatiques
        pass

Intégration dans le Router

python

# src/sujets0/router.py
from .services.competences_service import CompetencesService

competences_service = CompetencesService()

@sujets0_router.get("/sujets0-competences/{generator_name}")
async def get_generator_competences(generator_name: str):
    competences = competences_service.get_competences_for_generator(generator_name)
    return {"generator": generator_name, "competences": competences}

Prochaines Étapes

Créer la structure JSON avec les données fournies
Développer le service d'accès pour l'intégration
Ajouter les métadonnées (domaines, difficultés)
Créer les scripts de validation et maintenance
Intégrer dans l'interface QCM pour afficher les compétences testées

Cette approche offre le meilleur équilibre entre flexibilité, performance et maintenabilité.