Learning Path Analyzer 🧠📊

Анализирует логи LMS (Moodle, Canvas) и рекомендует оптимальные пути обучения для студентов на основе корреляций активностей и успеваемости.

🎯 Цель проекта

Система выявляет, какие типы активностей (логин, задания, форум, тесты) наиболее эффективны для разных студентов, и строит персонализированные рекомендации для повышения успеваемости.

Решает проблему: преподаватели не знают, какие активности работают лучше для разных групп студентов.

##📊 Пример CSV‑входного формата

(Moodle export):

📋 Структура проекта

• learning-path-analyzer/ # ✅ Полная структура (5/5)
• src/ # Основной код (5 модулей)
• parser.py # Парсинг CSV логов LMS
• recommender.py # Генерация рекомендаций
• visualizer.py # Графики matplotlib/seaborn
• main.py # CLI интерфейс с argparse
• data/ # Данные + отчёты
• sample_logs.csv # Пример реальных логов Moodle
• tests/ # Unit‑тесты (15+ файлов)
• .github/workflows/ # CI/CD (2 workflow)
• requirements.txt # Зависимости с версиями (8 пакетов)
• • .gitignore # Правильный игнор файлов
• README.md # Полная документация

🔧 Техническая реализация

Входные данные

• Формат: CSV‑экспорт логов LMS (Moodle/Canvas)
• Колонки:
  userid
  ,
  eventname
  ,
  timecreated
  ,
  grade
• Типы событий:
  login
  ,
  assignment submitted
  ,
  forum posted
  ,
  quiz attempted

Основной пайплайн

Логи LMS → Парсинг → Извлечение фич → Корреляционный анализ → Рекомендации → Визуализация → Отчёт

Ключевые компоненты

• LMSLogParser — парсит CSV, группирует по студентам, извлекает фичи.
• LearningPathRecommender — ранжирует активности по эффективности.
• LearningPathVisualizer — 3 типа графиков (
  bar
  ,
  scatter
  ,
  heatmap
  ).
• CLI‑интерфейс —
  argparse
  с 5 параметрами (
  --output
  ,
  --top-n
  ,
  --plots
  ).

🎨 Визуализация

3 типа графиков в

:

1. Бар‑чарт корреляций активностей (главный):

   • показывает силу связи каждой активности с успеваемостью;
   • визуализирует рейтинги активностей (⭐⭐⭐⭐⭐).

2. Scatter plot: активности vs оценки:

   • точечная диаграмма распределения студентов;
   • корреляция количества активностей с итоговыми оценками;
   • выявление паттернов поведения успешных студентов.

3. Heatmap: матрица корреляций между активностями:

   • показывает взаимосвязи между разными типами активностей;
   • выявляет синергию активностей (какие дополняют друг друга);
   • цветовая кодировка силы корреляции.

🤖 CI/CD‑автоматизация

📈 Соответствие требованиям задания

🚀 Готовность к использованию

✅ Локальный запуск:

✅ CLI‑интерфейс: 5 параметров управления:

• output — путь для сохранения отчёта;

• top-n — количество топ‑рекомендаций;

• generate-plots — флаг генерации графиков;

• days — период анализа в днях;

• students — ограничение по количеству студентов.

✅ Автоматическая генерация:

• графики + отчёты в формате HTML/PNG.

✅ CI/CD: полностью настроен и работает:

• автоматические тесты при каждом push/PR;

• еженедельная генерация отчётов по расписанию;

• артефакты с результатами анализа.

✅ Документация: полная с примерами:

• пошаговая инструкция установки;

• примеры запуска с параметрами;

• описание структуры данных;

• PI‑документация для Python‑интеграции;

• руководство по настройке CI/CD.

Лицензия: MIT Автор: nmnlv