Toelatingsexamen voor de Specialisatie

🩺 Toelatingsexamen Specialisatie 🤖📘

Elk jaar bereiden duizenden afgestudeerde geneeskundestudenten zich voor op het moeilijkste moment van hun carrière: het Toelatingsexamen voor de Specialisatie. Maandenlang memoriseren, herhalen en lossen toekomstige artsen honderden meerkeuzevragen op.

Maar dit jaar heeft de Centrale Commissie besloten om een grote innovatie te introduceren: een geautomatiseerd platform dat antwoorden controleert en evalueert met behulp van machine learning.
Helaas is het prototype van het systeem fouten gaan vertonen, en de commissie heeft jouw hulp nodig om het te repareren.

Er zijn twee bestanden tot je beschikking gesteld:

• train.csv - officiële vragen met het juiste antwoord
• test.csv - nieuwe vragen, waarvoor je de juiste variant moet voorspellen (hieruit worden de vragen voor het toelatingsexamen geselecteerd 😅)

Jouw doel is om het automatische correctiemechanisme te reconstrueren.

📊 De dataset

Elke rij vertegenwoordigt een meerkeuzevraag uit het examen:

• SampleID – unieke identificator van de vraag
• Question – de vraagstelling
• Option0, Option1, Option2, Option3 – de vier antwoordmogelijkheden
• Answer – alleen in train.csv (0–3), geeft de juiste variant aan

📝 Opdracht (100 punten)

Bouw een machine learning model dat in staat is om voor elke vraag uit test.csv te voorspellen welke van de vier varianten (0–3) het juiste antwoord is.

Je model wordt geëvalueerd op basis van nauwkeurigheid:

• Accuracy ≥ 70% → 100 punten
• Accuracy ≤ 25% → 0 punten
• Voor tussenliggende waarden wordt proportioneel punten toegekend.

Elke methode is toegestaan: klassieke ML-algoritmen, embeddings, taalmodellen, medische BERT etc.

📄 Formaat van het inzendingsbestand

Het bestand submission.csv moet één rij bevatten voor elke vraag uit test.

De eerste regel van het bestand bevat het volgende:

1DatapointID, PredictedAnswer

waarbij:

• DatapointID - SampleID uit test
• PredictedAnswer - een getal tussen 0 en 3 (de door het model voorspelde juiste variant)

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

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