edu-content/structured/exams/ket/questions/INDEX.md

题库 INDEX — 数据总览与使用指南

更新：2026-08-21 ｜ 格式规范见 SCHEMA.md（qb-1.0）

一、现有数据

文件	级别	套数	空格/小题	多答案小题	来源	许可
cepoc-a2-key.jsonl	A2 Key	6	68	14	CEPOC（剑桥 ALTA 官方开源）	cc-nc-education
cepoc-b1-preliminary.jsonl	B1 Preliminary	21	150	24	CEPOC	cc-nc-education
p2/out/*.jsonl（6 份）	A2+B1	6 卷	131	—	剑桥官方 2022 样卷	official-free
合计		33	349

P2 详情（成功率 112/112 对账、token 成本、风险点）见 p2/P2-REPORT.md。解析器：pymupdf4llm。

二、待入库（已规划）

优先级	数据	预估规模	许可
P3	官方词表 → 词库 已完成 → 见 ../vocab/INDEX.md（A2 1740 + B1 3172 词条）	—	official-free
P3.5	词库中文释义+音标 已完成 → 见 ../vocab/INDEX.md §三·五（ECDICT 4804 + LLM 98，音标覆盖 93.3%）	4902 条	ECDICT CC-BY-SA-4.0 / LLM 生成
P4	tape script + mp3 精听语料	2 套对齐文本	official-free
P5	SkoolPlus 教材（ECS 下载后）	20+ 套模拟题	restricted（仅本地）

三、下游 agent 使用须知

1. 读库：JSONL 逐行 json.loads；一条记录 = 一个任务（语篇+多小题），不是单题
2. 判题：必须按 SCHEMA.md 第二节规则——strip + 大小写不敏感 + answers_accept 集合匹配；38 个空有多个可接受答案（如 ["because","as","since"]），字符串全等会误判
3. 许可红线（按 license 字段过滤）：
   • official-free → 可进部署的英语门户
   • cc-nc-education（CEPOC 全部数据）→ 自用/练习工具可以，禁止商业化与再分发
   • restricted → 任何对外输出都不允许出现
4. 完形上下文切分：passage.split(blank_token)，段数 = 空数 + 1
5. CEPOC 的 part 为 null：数据混有 2020 改版前真题（KET 11-12 空/套、PET 6-8 空/套），与新版题型空数不符，见记录内 note 字段
6. P2 记录的媒体引用：meta.media[].path 与 meta.audio 为相对路径（前者相对 question-bank 目录，后者相对 english-site 目录）；图片选项题（听力 Part 1）options=null，必须渲染 meta.media 图片作答

四、复现

cd data/question-bank
python3 scripts/convert_cepoc.py <cepoc-main 绝对路径> .

转换脚本内置校验：空格数与小题数一致、题号不重复、答案非空、id 唯一。2026-08-21 校验全部通过。