Розробка AI-системи автоматичної генерації тестів та екзаменаційних завдань

Розробка AI-системи автогенерації тестів та екзаменів

AI-генерація тестових завдань створює унікальні питання за навчальним матеріалом, різних рівнів складності (таксономія Блума), з кількома варіантами виконання — исключает списування при масовому тестуванні.

Багаторівневе генерування питань

from openai import AsyncOpenAI
from enum import Enum
import json

client = AsyncOpenAI()

class BloomLevel(Enum):
    REMEMBER = "remember"       # запам'ятати факти
    UNDERSTAND = "understand"   # пояснити концепції
    APPLY = "apply"            # застосувати в новій ситуації
    ANALYZE = "analyze"        # розкласти на частини
    EVALUATE = "evaluate"      # оцінити критично
    CREATE = "create"          # створити нове

BLOOM_PROMPTS = {
    BloomLevel.REMEMBER: "Створи питання на запам'ятовування фактів, дат, визначень",
    BloomLevel.UNDERSTAND: "Створи питання на розуміння: пояснення, перефразування, приклади",
    BloomLevel.APPLY: "Створи практичне завдання: застосування знань в новій ситуації",
    BloomLevel.ANALYZE: "Створи питання на аналіз: порівняння, виявлення причин, структурування",
    BloomLevel.EVALUATE: "Створи питання на оцінку: обґрунтування судження, критика підходу",
    BloomLevel.CREATE: "Створи завдання на синтез: розробка рішення, створення продукту",
}

async def generate_question(
    topic: str,
    source_text: str,
    question_type: str,  # multiple_choice, true_false, open_answer, case_study
    bloom_level: BloomLevel = BloomLevel.UNDERSTAND,
    difficulty: str = "medium"
) -> dict:
    response = await client.chat.completions.create(
        model="gpt-4o",
        messages=[{
            "role": "system",
            "content": f"""Створи тестове питання.
            Тип: {question_type}.
            Рівень таксономії Блума: {bloom_level.value}. {BLOOM_PROMPTS[bloom_level]}.
            Складність: {difficulty}.

            Для multiple_choice: 4 варіанти, 1 правильний, 3 правдоподібні дистрактори.
            Для open_answer: еталонна відповідь + критерії оцінювання.
            Для case_study: ситуація + 3-5 питань різних рівнів.

            Поверни JSON: {{
                question: "текст питання",
                type: "{question_type}",
                bloom_level: "{bloom_level.value}",
                options: ["A...", "B...", ...],  // лише для MC
                correct_answer: "...",
                explanation: "чому саме ця відповідь правильна",
                scoring_rubric: {{...}}  // для open_answer
            }}"""
        }, {
            "role": "user",
            "content": f"Тема: {topic}\n\nМатеріал:\n{source_text[:2000]}"
        }],
        response_format={"type": "json_object"}
    )
    return json.loads(response.choices[0].message.content)

Генерування повного варіанта екзамену

async def generate_exam_variant(
    course_topics: list[str],
    total_questions: int = 30,
    time_limit_min: int = 60,
    bloom_distribution: dict = None
) -> dict:
    """
    bloom_distribution: {BloomLevel.REMEMBER: 0.3, BloomLevel.APPLY: 0.4, ...}
    За замовчуванням: 20% Remember, 30% Understand, 30% Apply, 20% Analyze
    """
    if not bloom_distribution:
        bloom_distribution = {
            BloomLevel.REMEMBER: 0.2,
            BloomLevel.UNDERSTAND: 0.3,
            BloomLevel.APPLY: 0.3,
            BloomLevel.ANALYZE: 0.2
        }

    questions_by_level = {
        level: int(total_questions * fraction)
        for level, fraction in bloom_distribution.items()
    }

    all_questions = []
    tasks = []

    for level, count in questions_by_level.items():
        for i in range(count):
            topic = course_topics[i % len(course_topics)]
            q_type = "multiple_choice" if level in [BloomLevel.REMEMBER, BloomLevel.UNDERSTAND] else "open_answer"
            tasks.append(generate_question(
                topic=topic,
                source_text="",
                question_type=q_type,
                bloom_level=level
            ))

    all_questions = await asyncio.gather(*tasks)

    return {
        "variant_id": f"V{random.randint(1000, 9999)}",
        "time_limit_min": time_limit_min,
        "total_points": sum(q.get("points", 1) for q in all_questions),
        "questions": list(all_questions),
        "bloom_distribution": {l.value: c for l, c in questions_by_level.items()}
    }

Автоматична перевірка відкритих відповідей

async def auto_grade_open_answer(
    question: str,
    correct_answer: str,
    rubric: dict,
    student_answer: str
) -> dict:
    response = await client.chat.completions.create(
        model="gpt-4o",
        messages=[{
            "role": "system",
            "content": f"""Перевір відповідь студента за рубрикою.
            Питання: {question}
            Еталонна відповідь: {correct_answer}
            Критерії оцінювання: {json.dumps(rubric, ensure_ascii=False)}

            Оціни відповідь і поверни JSON:
            {{score: 0-100, feedback: "детальна зворотна зв'язок", strengths: [], weaknesses: []}}"""
        }, {
            "role": "user",
            "content": f"Відповідь студента: {student_answer}"
        }],
        response_format={"type": "json_object"}
    )
    return json.loads(response.choices[0].message.content)

Антиплагіат — унікальні варіанти

async def generate_unique_variants(
    base_question: str,
    n_variants: int = 30,
    maintain_difficulty: bool = True
) -> list[dict]:
    """Генеруємо N унікальних версій питання"""
    response = await client.chat.completions.create(
        model="gpt-4o",
        messages=[{
            "role": "system",
            "content": f"""Створи {n_variants} унікальних версій питання.
            Варіюй: цифри, імена, контекст, порядок варіантів відповіді.
            Складність {'повинна залишатися однаковою' if maintain_difficulty else 'може варіюватися'}.
            Поверни JSON масив."""
        }, {
            "role": "user",
            "content": f"Вихідне питання: {base_question}"
        }],
        response_format={"type": "json_object"}
    )
    return json.loads(response.choices[0].message.content)["variants"]

Терміни: генератор тестів із текстового матеріалу — 1–2 тижні. Повнофункціональна платформа з автоперевіркою, аналітикою та інтеграцією в LMS (Moodle/iSpring) — 2–3 місяці.