Facharztprüfung

🩺 Facharztprüfung 🤖📘

Jedes Jahr bereiten sich Tausende von Medizinabsolventen auf den schwierigsten Moment ihrer Laufbahn vor: die Facharztprüfung. Monatelang memorieren, wiederholen und lösen angehende Ärzte Hunderte von Multiple-Choice-Fragen.

Aber dieses Jahr hat die Zentrale Kommission beschlossen, eine große Innovation einzuführen: eine automatisierte Plattform, die Antworten mit maschinellem Lernen überprüft und bewertet.
Leider hat der Prototyp des Systems begonnen, Fehler zu produzieren, und die Kommission benötigt deine Hilfe, um ihn zu reparieren.

Dir wurden zwei Dateien zur Verfügung gestellt:

• train.csv - offizielle Fragen mit korrekter Antwort
• test.csv - neue Fragen, für die du die korrekte Variante vorhersagen musst (aus diesen werden die Fragen für die Facharztprüfung ausgewählt 😅)

Dein Ziel ist es, den automatischen Korrekturmechanismus zu rekonstruieren.

📊 Der Datensatz

Jede Zeile repräsentiert eine Multiple-Choice-Frage aus der Prüfung:

• SampleID – eindeutige Kennung der Frage
• Question – Fragestellung
• Option0, Option1, Option2, Option3 – die vier Antwortmöglichkeiten
• Answer – nur in train.csv (0–3), gibt die korrekte Variante an

📝 Arbeitsauftrag (100 Punkte)

Erstelle ein maschinelles Lernmodell, das für jede Frage aus test.csv vorhersagen kann, welche der vier Varianten (0–3) die korrekte Antwort ist.

Dein Modell wird anhand der Genauigkeit bewertet:

• Accuracy ≥ 70% → 100 Punkte
• Accuracy ≤ 25% → 0 Punkte
• Für Zwischenwerte wird eine proportionale Punktzahl vergeben.

Jede Methode ist erlaubt: klassische ML-Algorithmen, Embeddings, Sprachmodelle, medizinisches BERT etc.

📄 Format der Einreichungsdatei

Die Datei submission.csv muss eine Zeile für jede Frage aus dem Test enthalten.

Die erste Zeile der Datei enthält Folgendes:

1DatapointID, PredictedAnswer

wobei:

• DatapointID - SampleID aus dem Test
• PredictedAnswer - eine Zahl zwischen 0 und 3 (vom Modell vorhergesagte korrekte Variante)

Beispiel (SampleID = 84f328d3-fca4-422d-8fb2-19d55eb31503):

184f328d3-fca4-422d-8fb2-19d55eb31503, 2