SE Primer v2 — kötü sona gidiş riski (v2.0-rc1)

Seçimli hastane krizi oyununda oyuncunun davranışından (tereddüt, seçim değiştirme, ipucu, riskli seçimler) oturumun KÖTÜ sonla bitme olasılığını tahmin eder. Yalnız bu oyun içindir; kişiyi değerlendirmek için KULLANILMAZ.

Amaç

SE Primer, yazılım mühendisi adayları için seçimli bir hastane krizi hikâyesidir. Model, her karardan sonra oyuncunun o ana kadarki davranışından oturumun KÖTÜ sonla bitme olasılığını verir. p ≥ 0.5 ise oyun müdahale eder: Mentor Deniz Sokratik bir soru sorar, 60 sn süre baskısı kalkar, sonuç açıklamaları derinleşir.

Kullanılmaması gereken durumlar

Kişiyi değerlendirmek, notlamak, işe almak veya "yetenekli/yeteneksiz" diye sınıflandırmak için.
Bu oyunun dışındaki herhangi bir senaryo, sahne sayısı veya seçenek düzeni için (özellikler bu oyuna özgü).
Gerçek bir olay yönetiminde (incident) nöbetçi mühendisin performansını tahmin etmek için.

Model

Pipeline(StandardScaler → LogisticRegression(class_weight="balanced")), seed = 13
Eğitim: Python 3.12, scikit-learn 1.9.1; ONNX opset 17 (skl2onnx)
Girdi input float32 [n, 8], çıktı probabilities float32 [n, 2] (sıra: classes = ['0', '1'])

#	Özellik	Anlamı	Birim
0	`sahne_no`	Kararın verildiği sahne (1–5)	sıra
1	`seviye`	Girişte beyan edilen seviye: 0 yeni, 1 orta, 2 deneyimli	kategori
2	`karar_suresi_sn`	Sahne açılışından onaya kadar geçen süre (tereddüt)	saniye
3	`ilk_tiklama_sn`	Sahne açılışından ilk seçenek tıklamasına kadar geçen süre	saniye
4	`secim_degistirme`	Onaydan önce seçimin kaç kez değiştirildiği	adet
5	`ipucu_goruldu`	Bu sahnede tutor ipucu görüldü mü	0/1
6	`onceki_riskli`	Bu karardan önceki riskli seçim sayısı	adet
7	`bu_secim_riskli`	Bu kararda riskli seçenek mi onaylandı	0/1

Standartlaştırılmış katsayılar (büyükten küçüğe; + kötü son riskini artırır):

Özellik	Katsayı
`onceki_riskli`	+3.738
`sahne_no`	-2.799
`bu_secim_riskli`	+1.440
`karar_suresi_sn`	+0.845
`ipucu_goruldu`	+0.294
`seviye`	-0.224
`ilk_tiklama_sn`	+0.003
`secim_degistirme`	+0.001

Veri

sentetik: 300 oturum / 1500 karar
Bölme: GroupShuffleSplit(oturum, test=0.3), random_state=13 · eğitim 210 / test 90 oturum
Veri dosyası sha256: 4fe100f93a3884f8… (sözlük: data/SOZLUK.md GitHub reposunda)
Sentetik üretici kuralı ve tohumu: data/veri_hazirla.py başındaki açıklama

Metrikler (test kümesi, oturum bazlı hold-out)

Metrik	Değer	Kabul eşiği (spec.md, eğitimden önce)
ROC-AUC	0.9594	≥ 0.75
Recall (kötü son) @ p≥0.5	0.897	≥ 0.7
Precision (kötü son)	0.8	—
Accuracy	0.88	—
Brier skoru	0.0845	— (düşük iyi)
AUC, yalnız sahne 1–2 (erken uyarı)	0.8864	—
AUC, yalnız gerçek oturumlar	—	— (az veri, güven aralığı geniş)
ONNX ↔ sklearn maks. fark	1.6e-07	≤ 0.0001

Sınırlar ve dürüst notlar

Etiket büyük ölçüde seçimlerden gelir. Son, riskli seçim sayısıyla belirlenir; bu yüzden onceki_riskli ve bu_secim_riskli en güçlü özelliklerdir. Modelin katkısı, aynı seçimi yapan iki oyuncuyu davranışlarıyla (tereddüt, değiştirme) ayırabilmesidir: hızlı riskli seçim p≈0.20, 45 sn tereddütlü aynı seçim p≈0.88 (bkz. tests/parite.json).
Sentetik veri ağırlıklı. Gerçek oturum sayısı küçüktür; sentetik üretici bizim varsayımlarımızı taşır (ör. "bocalayan oyuncu daha uzun düşünür"). Gerçek davranış farklıysa model yanılır. Gerçek verideki AUC ayrıca raporlanır ve yeni sürüm kararı ona göre verilir.
Geri besleme döngüsü: Model müdahale ettiğinde oyuncu daha az kötü sona gider; bu oturumlar etiket olarak kullanılırsa model kendi etkisini öğrenir. Bu yüzden eğitim verisi yalnız Veri Toplama Modu'ndan (model gölgede, oyunu etkilemiyor) toplanır.
Tarayıcı ve cihaz hızı karar süresini etkileyebilir; mobilde dokunma daha yavaş olabilir.
Model dosyası istemciye iner (public). Kişisel veriyle eğitilmediği için kabul edilebilir.

Kullanım

// onnxruntime-web
const s = await ort.InferenceSession.create("https://huggingface.co/<repo>/resolve/<commit>/model.onnx");
const x = new ort.Tensor("float32", Float32Array.from([2, 2, 45, 12, 3, 0, 0, 1]), [1, 8]);
const p = (await s.run({ input: x })).probabilities.data[1]; // ≈ 0.88

Downloads last month: 123