Update app.py

app.py

@@ -4,48 +4,39 @@ import os
 
 openai.api_key = os.environ["OpenAPI_Key"]
 
-manual = "uitleg"
-
-# Function to make API call
 def api_call(messages, temperature=0.5, model="gpt-3.5-turbo"):
-    return openai.chat.completions.create( 
-        messages=messages,
-        temperature=temperature,
-        model=model
-    ).choices[0].message.content
+    try:
+        response = openai.ChatCompletion.create(
+            messages=messages,
+            temperature=temperature,
+            model=model
+        )
+        return response.choices[0].message['content']
+    except Exception as e:
+        return f"API call failed: {str(e)}"
 
 def chunk_HTMLs(text, delimiter="HTML (ID:"):
-    """ Splits the text into chunks based on a delimiter, extracts the ID, and stores chunks in a dictionary. """
     HTMLs = text.split(delimiter)
-    HTMLs = HTMLs[1:] if HTMLs[0] else HTMLs  # Ignore any text before the first delimiter
-    
+    HTMLs = HTMLs[1:] if HTMLs[0] else HTMLs
     html_dict = {}
     for html in HTMLs:
-        end_id_index = html.find(")")  # Find the end of the ID
+        end_id_index = html.find(")")
         if end_id_index != -1:
-            html_id = html[:end_id_index].strip()  # Extract ID
-            html_content = html[end_id_index+1:].strip()  # Get the content after the ID
-            full_html_id = "HTML: (ID:" + html_id + ")" # Fix HTML formatting
-            html_dict[full_html_id] = delimiter + "HTML (ID:" + html_id + ") " + html_content  # Store in dictionary with full label
-    
+            html_id = html[:end_id_index].strip()
+            html_content = html[end_id_index+1:].strip()
+            full_html_id = "HTML: (ID:" + html_id + ")"
+            html_dict[full_html_id] = delimiter + "HTML (ID:" + html_id + ") " + html_content
     return html_dict
-    
-def process_course(input_text, zorgvrager = "cliënt", zorgprofessional = "begeleider"):
-    """ Processes input text, extracts HTML chunks, analyzes each using an OpenAI model, 
-        and conducts a second, separate analysis on each qualifying chunk. """
-    stored_HTMLs = chunk_HTMLs(input_text)
 
+def process_course(input_text, zorgvrager="cliënt", zorgprofessional="begeleider"):
+    stored_HTMLs = chunk_HTMLs(input_text)
     grouped_results = {}
-    last_html_id = None  # Track the last processed HTML ID
     for html_id, html_content in stored_HTMLs.items():
         messages = [
-            {"role": "system", "content": r"""Analyseer het perspectief van deze tekst, bedoeld voor zorgprofessionals. Adresseert de tekst altijd de zorgverlener of andere mensen? Of wordt soms ook de zorgvrager, patiënt of cliënt aangesproken? Geef je antwoord in de vorm van een van de volgende zinnen:
-Oordeel: het perspectief is altijd zorgverlener.
-Oordeel: het perspectief is deels zorgvrager."""},
+            {"role": "system", "content": "Analyseer het perspectief..."},
             {"role": "user", "content": html_content}
         ]
         oordeel = api_call(messages, 0.5, "gpt-3.5-turbo")
-        
         if html_id not in grouped_results:
             grouped_results[html_id] = [oordeel]
         else:
@@ -53,26 +44,21 @@ Oordeel: het perspectief is deels zorgvrager."""},
 
         if "deels zorgvrager" in oordeel:
             follow_up_messages = [
-                {"role": "system", "content": r"""Analyseer en (waar nodig) corrigeer de doelgroep die wordt aangesproken door deze tekst. Tekst en vragen moeten geschreven zijn met de zorgprofessional of mensen in het algemeen als doelgroep, níet de zorgvrager in het bijzonder. De tekst mag dus wel een 'neutrale' doelgroep hebben (mensen in het algemeen), mits het gaat over zaken die inderdaad toepasbaar zijn op mensen in het algemeen. Antwoord alleen met: 
-Citaat: [citaat van zin(nen) met foute doelgroep]
-Correctie: [gecorrigeerde zin(nen)])
-Verander hierbij zo min mogelijk aan de rest van de zin, verander alleen de doelgroep. Gebruik bijvoorbeeld net als in de bronteksten altijd 'je' in plaats van 'u'. Als je de zorgvrager expliciet wilt benoemen, gebruik dan de term {0}; als je de zorgverlener expliciet wilt benoemen, gebruik dan de term {1}.""".format(zorgvrager, zorgprofessional)},
+                {"role": "system", "content": f"Analyseer en (...), gebruik dan de term {zorgvrager}; als je de zorgverlener expliciet wilt benoemen, gebruik dan de term {zorgprofessional}."},
                 {"role": "user", "content": html_content}
             ]
-            follow_up_result = api_call(follow_up_messages, 0.7, "gpt-4-turbo-2024-04-09")
+            follow_up_result = api_call(follow_up_messages, 0.7, "gpt-4-turbo")
             grouped_results[html_id].append(follow_up_result)
-
     return grouped_results
 
-
 def display_results(grouped_results):
+    markdown_output = ""
     for html_id, results in grouped_results.items():
-        markdown_output += f"### HTML (ID: {html_id})\n"
+        markdown_output += f"### {html_id}\n"
         for result in results:
             markdown_output += f"- {result}\n"
-        markdown_output += "\n---\n"  # Markdown horizontal line for separation
+        markdown_output += "\n---\n"
     return markdown_output
-   
 
 inputs = [
     gr.Textbox(lines=7, label="Input Text"),
@@ -83,10 +69,9 @@ outputs = gr.Markdown(label="Result", show_copy_button=True)
 
 def interface_function(input_text, zorgvrager="cliënt", zorgprofessional="begeleider"):
     results = process_course(input_text, zorgvrager, zorgprofessional)
-    markdown_output = display_results(results)  # Assuming display_results returns Markdown formatted string
+    markdown_output = display_results(results)
     return markdown_output
 
-# Create the Gradio interface with HTML-formatted output
 iface = gr.Interface(
     fn=interface_function,
     inputs=inputs,
@@ -95,4 +80,4 @@ iface = gr.Interface(
     description="Voer de tekst van een module in en druk op 'Submit'."
 )
 
-iface.launch(share=False)
+iface.launch