Ingérer un échantillon via le LRC réel¶

Cette procédure démontre l'interopérabilité : on encode un échantillon de traces en CSV propriétaire, on le passe au LRC Prometheus-X réel, qui le renvoie en xAPI conforme DASES.

Vue d'ensemble¶

LearningTrace (domain)
       │
       │ CsvTraceEncoder
       ▼
sample_mathia.csv ─┐
                   │  POST /convert_custom (multipart)
data/seed/         │   ──────────────────────────────►   LRC service
lrc_mapping_       │                                         │
mathia.yml ────────┘                                         │ stream JSONL xAPI
                                                             ▼
                                                  traces_via_lrc.jsonl

Détails de conception : ADR 006.

Étape 1 — Démarrer le LRC¶

Suis le runbook LRC (clone + checkout SHA pinné + .env + docker compose --profile dev up -d).

Vérification :

curl -s -H "Host: lrc.localhost" http://localhost:8080/docs | head -1
# attendu : HTTP/1.1 200 ou un début de HTML

Étape 2 — Lancer la conversion d'un échantillon¶

uv run python scripts/generate_dataset.py --seed 42 --via-lrc=http://localhost:8080

Le script :

Régénère le dataset complet en xapi-direct (comme make dataset).
Sélectionne un échantillon : Léa + 1 apprenant par archetype distinct. Soit 4 apprenants, ~199 traces.
Encode l'échantillon en CSV "Mathia" via CsvTraceEncoder → data/generated/sample_mathia.csv.
Pinge GET /docs du LRC (sanity check).
POSTe le CSV + le mapping YAML versionné (data/seed/lrc_mapping_mathia.yml) à POST /convert_custom.
Stream la sortie JSONL vers data/generated/traces_via_lrc.jsonl.

Sortie console attendue :

=== Échantillon via LRC (http://localhost:8080) ===
Apprenants : 4 (Léa + 1 par archetype distinct). Traces à envoyer : 199.
Écrit 199 lignes dans data/generated/sample_mathia.csv.
Reçu 199 statements xAPI depuis le LRC -> data/generated/traces_via_lrc.jsonl.
Profils DASES : aucun (meta absent du flux /convert_custom).

Le Profils DASES : aucun est attendu — voir ADR 005.

Étape 3 — Vérifier la sortie¶

head -1 data/generated/traces_via_lrc.jsonl | python3 -m json.tool

Tu dois voir un statement xAPI complet :

{
  "actor": {
    "account": {"name": "Léa Martin", "homePage": "https://mathia.example.com"}
  },
  "object": {
    "id": "https://mathia.example.com/resource/EX011",
    "definition": {"name": {"fr-FR": "Fractions simples - colorier"},
                   "type": "http://adlnet.gov/expapi/activities/interaction"}
  },
  "verb": {"id": "http://adlnet.gov/expapi/verbs/passed",
           "display": {"en-US": "passed"}},
  "result": {"score": {"scaled": 0.567}, "completion": true},
  "timestamp": "2026-03-06T09:59:26+00:00"
}

L'encart "Interopérabilité" de la vitrine (Vue d'ensemble) lit ces fichiers et montre l'avant/après en live.

Étape 4 — Arrêter le LRC¶

cd ~/Desktop/lrc
docker compose --profile dev down

Libère les ports et les conteneurs ; le cache des images et le code restent en place pour la prochaine fois.

Limites assumées¶

95 % du dataset reste généré en xapi-direct (rapidité + reproductibilité). Seul l'échantillon démonstratif passe par le LRC. Voir ADR 006.
Le mapping YAML n'écrit pas result.success à cause d'un bug LRC à ce SHA. Le consommateur déduit success du verb.id en aval.