Desenvolvimento de Código Python para Avaliação de Texto

Descrição:
Adaptar código existente em Python com o objetivo de avaliar informações em um texto. O processo envolve a implementação das seguintes funcionalidades:
1)    Processos relacionados à calibração prévia à correção:
●    Processo de calibração: já otimizado, mas necessita da seguinte adaptação, buscar em banco de dados do tipo mongodb, o conjunto de treinamento e ao final apresentar o cross-validation global (já implementado) e o cross-validation nos níveis: 50, 75 e 100. Após a apresentação do erro, o código deve perguntar ao usuário se deve aprovar ou reprovar a calibragem.
●    Salvamento do modelo SVM no banco de dados associado ao aspecto de uma determinada questão. Apenas no caso do aspecto do tipo binário, haverá dois modelos SVM para o mesmo comando.
●    Processo de calibração simultâneo: o processo de calibração deve ser realizado por questão. Cada questão pode ter entre dois e sete aspectos. Cada aspecto receberá um modelo SVM. Todos os modelos devem ser calibrados de forma simultânea. Ao final, os dois tipos de cross-validation solicitados deve ser apresentado em conjunto para cada aspecto da questão. Incluir cross-validation global e nos níveis 50, 75 e 100 para a cada questão como em todo.

2)    Aplicação dos modelos na correção de textos reais
●    Subdivisão de um texto (arquivo .csv) com n parágrafos. Em seguida, combinar de dois em dois parágrafos sequenciais. Exemplo: um texto com 5 parágrafos, resultara nas seguintes subdivisões: 1º e 2º, 2º e 3º; 3º e 4º, 4º e 5º, além dos 5 parágrafos individuais.
Todas essas possibilidades serão submetidas a todos os modelos SVM da questão. As maiores pontuações serão consideradas a pontuação definitiva para cada aspecto.
●    No caso de aspecto binário, inicia-se pela identificação do trecho que responde a parte de justificativa e este mesmo trecho obrigatoriamente é submetido ao outro modelo (modelo binário) SVM do mesmo aspecto.
●    O código deve indicar (output) em que ordem os aspectos foram respondidos. Exemplo: no caso de três aspectos verificar qual das ordens foi aplicada: 1º, 2º e 3º; 2º, 3º e 1º; 3º, 2º, 1º ou 3º, 1º, 2º.
●    O código deve verificar se o primeiro parágrafo apresenta uma nota inferior a 50% no procedimento de correção para todos os modelos SVM. Se isso acontecer, e a questão não for do tipo peça técnica ou estudo de caso, então o código deve avisar (output) dessa ocorrência.

3)    Controle de qualidade dos modelos SVM
●    Previsão de variável contadora do número de respostas submetidas ao SVM. Ao incluir um novo texto, o código deve perguntar se é uma resposta real ou teste.
●    Com base na variável acima (contando apenas a resposta real), nos seguintes pontos: 1,3,5,10,15,25,35,50,65,85,105,... A correção do modelo será verificada pelo professor que cadastrou a questão. Da seguinte forma: deve ser apresentado a resposta em paralelo com o padrão pelo professor cadastrado, e solicitado a ele, o nível da pontuação.
●    Após confirmar a nota, o código mostrará a resposta a atribuída pelo modelo e resposta atribuída pelo professor. Logo, ele terá a opção de reconsiderar a sua pontuação ou confirmá-la. Independente da convergência ou divergência, toda a resposta verificada deverá ser salva no conjunto de treinamento e o SVM recalibrá-lo com todos os novos cálculos de cross-validation.
●    O projeto também inclui a limpeza e otimização do código Python, com comentários destacando a necessidade de cada função ou tarefa. A otimização deve ser realizada sem penalização do resultado, de modo a reduzir o custo computacional.

Requisitos do Projeto:
Código Python: O código deve ser escrito seguindo as melhores práticas para garantir leveza e robustez, como a aderência à PEP 8 (guia de estilo de código Python) e outras diretrizes relevantes