delete the test

.gitignore

@@ -49,7 +49,7 @@ Thumbs.db
 # ======================
 # Experimental scripts
 # ======================
-2moodle.py
+#2moodle.py
-app.old_inside_pipeline.py
+#app.old_inside_pipeline.py
-feedback_bewertung.py
+#feedback_bewertung.py
 

exp/feedback_bewertung.py

@@ -0,0 +1,191 @@
+# %% Feedback_Bewertung
+import openai
+import os
+from pathlib import Path
+
+client = openai.OpenAI(
+    api_key="sk--T3QiY4gBE67o9oSxEOqxw",
+    base_url="http://pluto/v1"
+)
+
+
+
+
+EVAL_PROMPT = """
+Du bist ein strenger, objektiver Bewertender. 
+Bewerte das folgende Feedback anhand der untenstehenden Kriterien.
+
+Für jedes Kriterium musst du GENAU folgendes liefern:
+
+- answer: true oder false  
+- explanation: eine kurze, klare Begründung auf Deutsch, basierend ausschließlich auf dem gegebenen Feedback
+
+KRITERIEN:
+1. Ist das Feedback zeitnah? (<48 Stunden)
+2. Enthält das Feedback narrative Kommentare?
+3. Ist der Ton positiv und/oder unterstützend?
+4. Beschreibt das Feedback beobachtbares Verhalten in klarer, eindeutiger Sprache?
+5. Verstärkt das Feedback, was gut gemacht wurde?
+6. Zeigt das Feedback Bereiche auf, in denen Verbesserungen nötig sind?
+7. Enthält das Feedback konkrete, spezifische Strategien zur Verbesserung?
+8. Bezieht sich das Feedback auf definierte Standards (z. B. EPA, Leistungsniveaus)?
+9. Passt der Anspruch/die Komplexität des Feedbacks zum Lernstand der Lernenden?
+
+Gib die Ergebnisse AUSSCHLIESSLICH als JSON gemäß dem bereitgestellten Schema zurück.
+"""
+
+
+from pydantic import BaseModel
+
+class CriterionResult(BaseModel):
+    answer: bool | None
+    explanation: str
+
+class FeedbackEvaluation(BaseModel):
+    timely: CriterionResult
+    narrative_comments: CriterionResult
+    positive_supportive_tone: CriterionResult
+    clear_language: CriterionResult
+    reinforces_strengths: CriterionResult
+    identifies_improvements: CriterionResult
+    includes_strategies: CriterionResult
+    relates_to_standards: CriterionResult
+    congruent_with_learner_level: CriterionResult
+
+
+
+##
+
+
+
+
+# %% Main
+
+input_dir = "./cruscloud/AudioFeedbackProject/Transkripte"
+
+files = list(Path(input_dir).glob("*.txt"))
+
+results = {}
+
+for f in files:
+    text = f.read_text(encoding="utf-8")
+
+    response = client.responses.parse(
+        model="GPT-OSS-120B",
+        input=[
+            {"role": "system", "content": EVAL_PROMPT},
+            {"role": "user", "content": text},
+        ],
+        text_format=FeedbackEvaluation,
+    )
+
+    results[f.name] = response.output_parsed
+
+# Save results
+import json
+with open("feedback_evaluations.json", "w", encoding="utf-8") as out:
+    json.dump({k: v.dict() for k, v in results.items()}, out, indent=4)
+
+##
+
+
+
+
+
+# %% Feedback_Bewertung_Moodle
+import openai
+import os
+from pathlib import Path
+client = openai.OpenAI(
+    api_key="sk--T3QiY4gBE67o9oSxEOqxw",
+    base_url="http://pluto/v1"
+)
+
+
+EVAL_PROMPT = """
+Du bist ein strenger, objektiver Bewertender für medizinische Lehre.
+Bewerte das folgende Feedback anhand der Kursinhalte "Feedback in der Lehre: Basics".
+Für jedes Kriterium musst du GENAU folgendes liefern:
+- score: Zahl von 1 (beste Bewertung) bis 5 (gescheitert)
+- explanation: Ausführliche Begründung auf Deutsch mit:
+  a) Zitat aus dem Kursmaterial das das Kriterium definiert
+  b) Konkrete Analyse des Feedback-Textes mit Zitaten
+  c) Klare Verknüpfung zwischen Kursanforderung und Feedback-Umsetzung
+
+KRITERIEN (basierend auf Kursmaterial):
+1. KONKRETHEIT (Bild 4: Merkmale von Feedback)
+   "Das Feedback sollte so konkret wie möglich sein. Die Wiedergabe beobachteter Beispiele ist hilfreich."
+   Bewertung: Enthält das Feedback beobachtbare Beispiele statt Verallgemeinerungen?
+
+2. ICH-BOTSCHAFTEN (Feedbackregeln)
+   "Ein Feedback … wird in „Ich-Botschaften“ ausgedrückt. … ist nicht (ab)wertend."
+   Bewertung: Wird subjektive Wahrnehmung in Ich-Formulierungen dargestellt?
+
+3. STRUKTUR (WWW/BEB-Prinzip)
+   WWW: "1. Wahrnehmung: Ich habe gesehen ... 2. Wirkung: ... das hat mich nervös gemacht. 3. Wunsch: Ich wünsche mir ..."
+   BEB: "1. Beobachtung: Ich habe gesehen ... 2. Empfehlung: Ich empfehle ... 3. Begründung: Auf diese Weise vermeiden Sie ..."
+   Bewertung: Folgt das Feedback einer klaren Struktur (WWW oder BEB)?
+
+4. WERTSCHÄTZUNG (Bild 4: Merkmale von Feedback)
+   "Feedback ... auf Augenhöhe: Feedbackgeber und Feedbackempfänger gehen respektvoll und wertschätzend miteinander um."
+   Bewertung: Wird respektvoll und auf Augenhöhe kommuniziert?
+
+5. VERBESSERUNGSEMPFEHLUNG (Feedbackregeln)
+   "Ein Feedback … endet mit einer wertschätzenden Anregung für zukünftige Verbesserungen."
+   Bewertung: Gibt es konkrete, wertschätzende Handlungsempfehlungen?
+
+SCORING-ANLEITUNG:
+1 = Vollständige Umsetzung (exzellentes Beispiel)
+2 = Gute Umsetzung mit minimalen Lücken
+3 = Grundlegende Umsetzung mit signifikanten Mängeln
+4 = Unzureichende Umsetzung (wichtige Elemente fehlen)
+5 = Keine erkennbare Umsetzung (kriterienwidrig)
+
+Gib die Ergebnisse AUSSCHLIESSLICH als JSON gemäß dem bereitgestellten Schema zurück.
+"""
+
+from pydantic import BaseModel
+class CriterionResult(BaseModel):
+    score: int  # 1-5 (1=best, 5=failed)
+    explanation: str
+class FeedbackEvaluation(BaseModel):
+    konkretes_feedback: CriterionResult
+    ich_botschaften: CriterionResult
+    struktur: CriterionResult
+    wertschaetzung: CriterionResult
+    verbesserungsempfehlung: CriterionResult
+
+
+
+##
+
+
+
+
+
+# %% Main
+input_dir = "./cruscloud/AudioFeedbackProject/Transkripte"
+files = list(Path(input_dir).glob("*.txt"))
+results = {}
+for f in files:
+    text = f.read_text(encoding="utf-8")
+    response = client.chat.completions.create(
+        model="GPT-OSS-120B",
+        messages=[
+            {"role": "system", "content": EVAL_PROMPT},
+            {"role": "user", "content": text},
+        ],
+        response_format={"type": "json_object"},
+        temperature=0.1
+    )
+    # Parse the JSON response
+    import json
+    parsed_response = json.loads(response.choices[0].message.content)
+    results[f.name] = FeedbackEvaluation(**parsed_response)
+
+# Save results
+import json
+with open("feedback_evaluations.json", "w", encoding="utf-8") as out:
+    json.dump({k: v.dict() for k, v in results.items()}, out, indent=4, ensure_ascii=False)
+
+##