API ВЕГА
English

Assessment Intelligence

Психометрический анализ данных ответов на задания: теория ответов на задания (IRT) для оценки сложности, различающей способности и вероятности угадывания; оценка реальных способностей (θ) отдельно от сложности теста; надёжность по альфе Кронбаха; адаптивный выбор следующего задания; байесовское отслеживание освоения навыков. Система выявляет задания, которые измеряют не то, что нужно, и учащихся, чья траектория указывает на риск неуспешного прохождения теста.

Registry nameai.saifs/assessment-intelligence
Endpointhttps://assessment-intelligence-mcp.saifs.ai/mcp
TransportStreamable HTTP (удалённый сервер, ничего устанавливать не нужно)
AuthOAuth 2.1 — PKCE (S256) и динамическая регистрация клиента; при первом подключении клиент откроет страницу входа
PublisherSAIFS AI

Установка

VS Code / GitHub Copilot

Добавьте конфигурацию в .vscode/mcp.json (для рабочей области) или в пользовательский mcp.json:

{
  "servers": {
    "saifs-assessment-intelligence": {
      "type": "http",
      "url": "https://assessment-intelligence-mcp.saifs.ai/mcp"
    }
  }
}

Затем запустите сервер в представлении MCP и выполните вход, когда появится запрос.

Claude (claude.ai, Desktop)

Откройте Settings → Connectors → Add custom connector и вставьте адрес:

https://assessment-intelligence-mcp.saifs.ai/mcp

Claude Code

claude mcp add --transport http saifs-assessment-intelligence https://assessment-intelligence-mcp.saifs.ai/mcp

Другие MCP-клиенты

Укажите адрес https://assessment-intelligence-mcp.saifs.ai/mcp и выберите транспорт Streamable HTTP. Сервер вернёт ответ 401 с заголовком

WWW-Authenticate: Bearer … resource_metadata=…, после чего OAuth-совместимые клиенты автоматически предложат выполнить вход.

Инструменты

ToolНазначение
analyze_assessmentРассчитывает параметры IRT для каждого задания (сложность, различающая способность, вероятность угадывания) и выявляет некорректные задания.
estimate_abilityОценивает реальные способности каждого учащегося (θ) отдельно от сложности теста.
assessment_reliabilityРассчитывает альфу Кронбаха и корреляции заданий с общим результатом.
adaptive_next_itemВыбирает оптимальное следующее задание из банка с учётом текущей оценки способностей (CAT).
track_masteryПрименяет байесовское отслеживание знаний: оценивает P(mastered) для каждого навыка по истории обучения.
flag_at_risk_learnersВыявляет учащихся, чья траектория освоения навыков или способностей указывает на риск неуспешного прохождения теста; результаты предназначены для поддержки, а не ранжирования.
explain_itemОбъясняет, почему задание подходит или не подходит, и показывает рассчитанные для него параметры.

Примеры запросов

  • «Вот матрица ответов для пробного теста. В каких заданиях отрицательная различающая способность и какие из них следует исключить?»

  • «Оцени реальные способности каждого учащегося по этому тесту, а не только процент правильных ответов».

  • «По этой истории освоения навыков определи, кому грозит неуспешная сдача, и укажи, какие навыки каждый учащийся действительно освоил».

Поддержка