Assessment Question Difficulty Classifier (c веб-интерфейсом на Streamlit и GigaChat)

Автоматическая классификация сложности вопросов тестов и экзаменов с объяснением и рекомендациями на основе ИИ.

🎯 Что это и зачем?

Преподаватели тратят значительное время на ручную калибровку сложности вопросов. Этот проект решает реальную проблему в образовании:

• автоматически классифицирует вопросы как low / medium / high,
• объясняет предсказание через SHAP (интерпретируемость),
• предлагает конкретные улучшения с помощью GigaChat (LLM),
• преподаватели могут попросить GigaChat на основе ML-анализа улучшить вопросы определённым образом (упростить, усложнить).
• помогает создавать сбалансированные и эффективные тесты.

Проект находится на стыке ИИ в образовании, обработки естественного языка и анализа поведенческих данных.

📦 Установка

Требования

• Python 3.11+
• Gigachat SDK
• Git

В

.env

в корне проекта укажите

GIGACHAT_CREDENTIALS="ваш_gigachat_auth"

. Для получения доступа к gigachat_auth можете обратиться к студенту, выполнившему работу: bebebe (Нурбаев Данияр, ТГ.)

Шаги

▶️ Использование

1. Обучение модели

создаст папку

models/

и файл

metrics.json

с метриками качества.

2. Запуск веб-интерфейса

открывает интерактивный UI для анализа вопросов.

3. Запуск тестов

4. Проверка работоспособности анализа

Для проверки можно открыть веб-интерфейс и попробовать проанализировать

🧪 Пример использования в коде (без веб-интерфейса)

Пример вывода

        question            predicted_difficulty
    0   Что такое...        low
    1   Решите задачу...    medium
    2   Проанализируйте...  high

📂 Структура проекта

.
├── src/                  # Основная логика (библиотека)
│   ├── features.py       # Генерация данных и признаки
│   ├── model.py          # Обучение и предсказание
│   ├── explain.py        # Объяснение и рекомендации
│   └── gigachat.py       # Интеграция с LLM
├── app.py                # Точка входа Streamlit UI
├── train.py              # Точка входа обучения модели
├── tests/                # Unit-тесты (pytest)
├── models/               # Сохранённые модели (не в репе)
├── data/                 # Датасеты для обучения и валидации
├── metrics.json          # Метрики модели (обновляется CI)
├── requirements.txt      # Зависимости
├── .gitignore            # Игнор файлов
└── pyproject.toml        # Конфигурация (pytest, сборка)