---
title: Feedback Scoring App
emoji: 🔐
colorFrom: blue
colorTo: purple
sdk: docker
app_port: 7860
tags:
- streamlit
- annotation
- feedback
- secure
pinned: false
short_description: Secure code feedback annotation with multi-annotator support
---

# Feedback Scoring Tool - Production Version

Application Streamlit sécurisée pour l'annotation et le scoring de feedbacks de code par plusieurs annotateurs. Version prête pour le déploiement en production avec authentification, dispatch et persistance cloud.

## Fonctionnalités

### Annotation
- 📊 **Interface de scoring intuitive** : Notation de 1 à 5 pour chaque feedback
- 📈 **Statistiques en temps réel** : Suivi de votre progression et distribution des scores
- 💬 **Commentaires** : Ajoutez des notes sur chaque annotation
- 📥 **Import flexible** : Support des fichiers JSONL locaux et datasets HuggingFace

### Sécurité et Collaboration
- 🔐 **Authentification** : Accès protégé par mot de passe
- 👥 **Multi-annotateurs** : Système de dispatch automatique par portion
- 🎯 **Isolation** : Chaque annotateur ne voit que sa portion du dataset
- 📋 **Traçabilité** : Toutes les annotations sont identifiées par annotateur

### Persistance
- ☁️ **Sauvegarde cloud** : Stockage permanent sur HuggingFace Dataset privé
- 💾 **Auto-sauvegarde** : Progression sauvegardée automatiquement en local
- 🔄 **Reprise de session** : Continuez où vous en étiez, même après redémarrage
- 📤 **Export JSONL** : Téléchargez vos annotations à tout moment

## Configuration pour Production

Cette application nécessite une configuration avant déploiement. Voir **[CONFIGURATION.md](CONFIGURATION.md)** pour le guide complet.

### Configuration rapide

1. **Créer un dataset HF privé** pour stocker les annotations
2. **Configurer les secrets** dans Settings du Space :
   - `APP_PASSWORD` : Mot de passe d'accès
   - `HF_TOKEN` : Token avec droits d'écriture
   - `HF_DATASET_REPO` : Nom du dataset de stockage
3. **Configurer les annotateurs** dans `data/annotators.json`
4. **Pousser sur HF Spaces**

📖 **Documentation complète** : [CONFIGURATION.md](CONFIGURATION.md)

## Utilisation (Annotateurs)

### Workflow
1. **Connexion** : Entrez le mot de passe fourni
2. **Identification** : Sélectionnez votre identifiant
3. **Chargement** : L'app charge automatiquement votre portion
4. **Annotation** : Scorez les feedbacks (1-5) avec commentaires
5. **Sauvegarde** : Cliquez sur "☁️ Sauvegarder sur HF" régulièrement
6. **Reprise** : Vous pouvez fermer et reprendre plus tard

### Format du dataset

```json
{
  "anchor": "code source",
  "positive": "feedback positif",
  "language": "python"
}
```

## Architecture

```
backend/
├── auth.py              # Authentification
├── annotator_config.py  # Configuration annotateurs
├── hf_storage.py        # Sauvegarde HuggingFace
├── data_loader.py       # Chargement datasets
├── persistence.py       # Sauvegarde locale
├── export.py            # Export JSONL
└── statistics.py        # Métriques

frontend/
├── components.py        # Composants UI
├── styles.py            # Styles CSS
└── help_page.py         # Page d'aide

data/
├── annotators.json      # Config annotateurs
└── [sessions locales]   # Sauvegardes temporaires
```

## Développement

### Local
```bash
pip install -r requirements.txt

# Définir les variables d'environnement
export APP_PASSWORD="dev"
export HF_TOKEN="hf_xxxxx"
export HF_DATASET_REPO="username/annotations"

streamlit run app.py
```

### Docker
```bash
docker build -t feedback-scoring-app .
docker run -p 7860:7860 \
  -e APP_PASSWORD="dev" \
  -e HF_TOKEN="hf_xxxxx" \
  -e HF_DATASET_REPO="username/annotations" \
  feedback-scoring-app
```

## Intégration avec FFGen

Cette application s'intègre avec le pipeline [FFGen](https://github.com/YOUR_USERNAME/FFGen) :

1. **Préparation** : Utilisez `create_annotation_study.py` pour créer les subsets
2. **Annotation** : Utilisez cette app pour distribuer et collecter les scores
3. **Analyse** : Utilisez `analyze_agreement.py` pour calculer l'accord
4. **Fusion** : Utilisez `merge_scores.py` pour créer le dataset final

## Sécurité

- ✅ Authentification par mot de passe
- ✅ Dataset de stockage privé
- ✅ Isolation des annotateurs
- ✅ Traçabilité complète
- ✅ Pas de données sensibles en clair dans le code

## Support

- 📖 Documentation : [CONFIGURATION.md](CONFIGURATION.md)
- 🐛 Issues : [GitHub Issues](https://github.com/YOUR_USERNAME/feedbacks-scoring-app/issues)
- 📧 Contact : your.email@example.com

## Licence

Ce projet est open source.