Create app.py

app.py

@@ -0,0 +1,70 @@
+import gradio as gr
+from transformers import pipeline, AutoModelForSequenceClassification, AutoTokenizer
+from sklearn.metrics.pairwise import cosine_similarity
+from sklearn.feature_extraction.text import TfidfVectorizer
+import numpy as np
+
+# Modelos para análisis de texto y similitud
+sentiment_analysis = pipeline("sentiment-analysis", model="distilbert-base-uncased-finetuned-sst-2-english")
+similarity_model = AutoModelForSequenceClassification.from_pretrained("bert-base-uncased")
+similarity_tokenizer = AutoTokenizer.from_pretrained("bert-base-uncased")
+
+# Respuestas esperadas
+expected_responses = {
+    'question1': ['respuesta1a', 'respuesta1b', 'respuesta1c'],
+    'question2': ['respuesta2a', 'respuesta2b', 'respuesta2c'],
+    'question3': ['respuesta3a', 'respuesta3b', 'respuesta3c'],
+    'question4': ['respuesta4a', 'respuesta4b', 'respuesta4c'],
+    'question5': 'análisis de texto para la pregunta 5',
+    'question6': 'análisis de texto para la pregunta 6'
+}
+
+# Función para calcular la similitud de respuestas
+def calculate_similarity(response, expected_responses):
+    vectorizer = TfidfVectorizer().fit_transform([response] + expected_responses)
+    vectors = vectorizer.toarray()
+    cosine_similarities = cosine_similarity(vectors[0:1], vectors[1:])
+    return float(max(cosine_similarities[0]))
+
+# Función para evaluar una sola respuesta
+def evaluate_response(response, expected_responses):
+    return calculate_similarity(response, expected_responses)
+
+# Función para evaluar análisis de texto
+def analyze_text(response):
+    analysis = sentiment_analysis(response)
+    return analysis[0]
+
+# Función para evaluar todas las respuestas
+def evaluate_all_responses(responses):
+    results = {}
+    for i, response in enumerate(responses[:4]):
+        question_key = f'question{i+1}'
+        results[question_key] = evaluate_response(response, expected_responses[question_key])
+
+    for i, response in enumerate(responses[4:]):
+        question_key = f'question{i+5}'
+        results[question_key] = analyze_text(response)
+
+    return results
+
+# Interfaz Gradio
+def evaluate(responses):
+    if len(responses) != 6:
+        return {'error': 'Se esperan 6 respuestas'}
+    results = evaluate_all_responses(responses)
+    return results
+
+input_texts = [gr.Textbox(label=f"Pregunta {i+1}") for i in range(6)]
+output_text = gr.JSON(label="Resultados")
+
+demo = gr.Interface(
+    fn=evaluate,
+    inputs=input_texts,
+    outputs=output_text,
+    title="Evaluación de Respuestas",
+    description="Ingrese las respuestas para las 6 preguntas."
+)
+
+if __name__ == "__main__":
+    demo.launch()