Esame di Specializzazione

🩺 Esame di Specializzazione 🤖📘

Ogni anno, migliaia di laureati in medicina si preparano per il momento più difficile della loro carriera: l'Esame di Specializzazione. Per mesi interi, i futuri medici memorizzano, ripetono e risolvono centinaia di domande a scelta multipla.

Ma quest'anno, la Commissione Centrale ha deciso di introdurre un'innovazione importante: una piattaforma automatizzata che verifica e valuta le risposte utilizzando l'apprendimento automatico.
Sfortunatamente, il prototipo del sistema ha iniziato a dare errori, e la commissione ha bisogno del tuo aiuto per ripararlo.

Ti sono stati messi a disposizione due file:

• train.csv - domande ufficiali con risposta corretta
• test.csv - nuove domande, per le quali devi predire la variante corretta (da queste saranno selezionate le domande per l'esame di specializzazione 😅)

Il tuo obiettivo è ricostruire il meccanismo di correzione automatica.

📊 Il dataset

Ogni riga rappresenta una domanda a scelta multipla dell'esame:

• SampleID – identificatore unico della domanda
• Question – testo della domanda
• Option0, Option1, Option2, Option3 – le quattro opzioni di risposta
• Answer – solo in train.csv (0–3), indica l'opzione corretta

📝 Compito da svolgere (100 punti)

Costruisci un modello di apprendimento automatico capace di predire, per ogni domanda in test.csv, quale delle quattro opzioni (0–3) è la risposta corretta.

Il tuo modello sarà valutato utilizzando l'accuratezza:

• Accuracy ≥ 70% → 100 punti
• Accuracy ≤ 25% → 0 punti
• Per i valori intermedi viene assegnato un punteggio proporzionale.

Qualsiasi metodo è permesso: algoritmi classici di ML, embeddings, modelli di linguaggio, BERT medico ecc.

📄 Formato del file di submission

Il file submission.csv deve contenere una riga per ogni domanda nel test.

La prima riga del file contiene quanto segue:

1DatapointID, PredictedAnswer

dove:

• DatapointID - SampleID dal test
• PredictedAnswer - un numero tra 0 e 3 (opzione corretta predetta dal modello)

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

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