AI-vurdering af praktikrapporter med LLM API

Dagens skoleopgave handlede om LLM API-integration: byg en applikation hvor en sprogmodel indgår som en funktionel komponent i et rigtigt dataflow – ikke bare i et chatvindue.

Opgaven var at lave en AI-drevet vurdering af praktikrapporter ud fra en rubric udledt af studieordningens kravmateriale. (Første link “Læringsmål” fungerede ikke)

Arkitektur

Samme setup som RAG-chatten: en statisk Hugo-side (GitHub Pages) + en Cloudflare Worker der holder API-nøglen og håndterer alt backend-logik.

Browser → POST { rapport } → Cloudflare Worker → Anthropic API
                          ← JSON vurdering    ←

Workeren holder rubricen, bygger system- og userprompts, kalder Claude, og returnerer en struktureret JSON-vurdering. Brugeren ser aldrig API-nøglen. (Very secure)

Rubricen

6 kriterier udledt fra tre kilder: studieordningens læringsmål, krav til rapport og EK’s Dare-Share-Care-koncept:

Hvert kriterium har tre niveauer (lav/middel/høj) med konkrete beskrivelser, så modellen ikke gætter sig til en vurdering.

Promptdesign

Systemprompt sætter rollen som “erfaren vejleder der giver formativ feedback – ikke endelig karakter” og specificerer regler: hold dig til rubricen, find ikke på citater, skeln mellem “ikke nævnt” og “dårligt gjort”.

Userprompt indeholder rubricen som JSON i <rubric>-tags og rapportteksten i <rapport>-tags. XML-tags hjælper modellen med at skelne instruktion fra data og reducerer risikoen for prompt injection.

Modellen får et præcist JSON-schema og instrueres i at svare kun med JSON – ingen markdown-fences, ingen forklarende tekst udenfor.

Begrænsninger

• Vurderingen er vejledende – ikke en erstatning for vejlederens bedømmelse eller den mundtlige eksamen.
• Modellen ser kun tekst. Bilag (screenshots, diagrammer, feedback-mails) tæller ikke med, selvom de er vedhæftet den rigtige rapport.
• Samme rapport kan give lidt forskellig score i to kald. Brug det som et udgangspunkt, ikke en facit.