🎓 Système d'Évaluation et de Questions Éducatives par IA

Ce projet est une application Streamlit unifiée conçue pour la gestion, la génération et l'évaluation de questions et de textes éducatifs. Il intègre des capacités d'intelligence artificielle pour automatiser et améliorer les processus pédagogiques, en utilisant des APIs externes (comme Groq) pour le traitement avancé du langage naturel et une base de données MongoDB pour la persistance des données.

🚀 Aperçu du Projet

Le système offre une interface utilisateur intuitive pour interagir avec divers modules liés à la création de contenu éducatif et à l'évaluation des apprenants. Il vise à simplifier les tâches pour les éducateurs en fournissant des outils basés sur l'IA pour la génération de questions ouvertes et fermées, l'évaluation des réponses, et le suivi des performances en lecture.

✨ Fonctionnalités Clés

• Interface Streamlit Unifiée (app.py): Un point d'accès centralisé pour naviguer entre toutes les fonctionnalités.
• Évaluation de Questions Ouvertes: Permet d'évaluer les réponses des élèves aux questions ouvertes en utilisant une API Flask pour un score et un feedback détaillés.
• Génération de Questions Ouvertes: Génère des questions ouvertes pertinentes à partir d'un texte donné, avec la possibilité de cibler des phrases spécifiques.
• Génération de Questions Fermées (QCM & FITB): Crée des Questions à Choix Multiples (QCM) et des Questions à Trous (FITB) à partir de textes, incluant une vérification IA pour assurer la qualité.
• Tableau de Bord d'Évaluation Orale: Visualise les statistiques et les performances des évaluations de lecture (précision, vitesse, fluidité) via des graphiques interactifs.
• Gestion Complète des Données: Interfaces CRUD (Créer, Lire, Mettre à jour, Supprimer) pour gérer:
  • Les évaluations de questions ouvertes.
  • Les questions ouvertes générées.
  • Les questions FITB.
  • Les questions QCM.
  • Les textes sources de lecture.
• Intégration MongoDB: Stockage persistant de tous les textes, questions et données d'évaluation.
• Intégration d'API LLM: Utilise des APIs externes (comme Groq) pour des tâches d'IA avancées telles que la génération et la vérification de questions, et l'évaluation de réponses.

⚙️ Configuration et Exécution

Pour configurer et exécuter le projet, suivez ces étapes :

Prérequis

• Python 3.8+
• pip (gestionnaire de paquets Python)
• Accès à une instance MongoDB (locale ou distante). Si vous utilisez Docker, assurez-vous que Docker et Docker Compose sont installés.
• Une clé API Groq (pour les fonctionnalités d'IA).

1. Cloner le Dépôt

git clone https://github.com/medamine-98/admin.git
cd admin

2. Configurer les Variables d'Environnement

Créez un fichier .env à la racine du répertoire du projet (/home/med/Windows-Desktop/Git/admin) et renseignez-le avec les variables suivantes :

MONGO_URI="mongodb://localhost:27017/" # Ou l'URI de votre instance MongoDB
GROQ_API_KEY="votre_cle_api_groq_ici"
FLASK_API_URL="http://127.0.0.1:5000/evaluate_answer" # URL de votre API Flask pour l'évaluation
# D'autres URLs d'API Flask peuvent être nécessaires selon votre configuration backend

Assurez-vous que FLASK_API_URL et d'autres URLs d'API Flask (comme /generate_question, /generate_qcm, /generate_fitb, /evaluations) sont correctement configurées pour pointer vers votre serveur Flask backend.

3. Installer les Dépendances Python

Il est recommandé de créer un environnement virtuel :

python -m venv venv
source venv/bin/activate  # Sur Windows: `venv\Scripts\activate`
pip install -r requirements.txt

4. Lancer MongoDB (si non déjà en cours d'exécution)

Si vous utilisez Docker Compose pour MongoDB, depuis le répertoire racine du projet, vous pouvez lancer votre base de données :

# Assurez-vous d'avoir un fichier docker-compose.yml ou mongo.yml configuré pour MongoDB
# Exemple de commande si vous avez un mongo.yml à la racine:
# docker-compose -f mongo.yml up -d

Si vous n'avez pas de fichier mongo.yml ou docker-compose.yml à la racine, vous devrez démarrer MongoDB manuellement ou via une autre méthode.

5. Lancer le Serveur Flask Backend (si nécessaire)

Ce projet Streamlit interagit avec un serveur Flask backend pour les fonctionnalités d'IA et certaines opérations de données. Assurez-vous que votre serveur Flask est en cours d'exécution et accessible à l'URL configurée dans votre fichier .env. Les fichiers du serveur Flask ne sont pas inclus dans ce dépôt, mais sont nécessaires pour le bon fonctionnement de l'application.

6. Lancer l'Application Streamlit

Depuis la racine du dépôt (/home/med/Windows-Desktop/Git/admin) :

streamlit run app.py

Ceci lancera l'interface d'administration principale dans votre navigateur web. Vous pourrez ensuite naviguer vers les différents modules et utiliser les fonctionnalités.

---