专家评分倾向系统是一款面向评审场景的智能数据分析平台，旨在解决多专家评分过程中可能存在的主观偏差、评分尺度不一致等问题，通过数据建模与可视化分析，为评审组织者提供科学、客观的评分质量评估工具。
详细功能介绍
1. 多维度评分数据采集与整合
系统支持批量导入专家评分数据，兼容Excel、CSV等多种格式。可处理多轮次、多维度、多项目的复杂评分场景，自动识别评分字段并进行结构化存储，为后续分析奠定数据基础。
2. 专家评分倾向智能分析
核心功能模块，采用统计学方法对每位专家的评分行为进行深度画像：
评分分布分析：计算每位专家评分的均值、方差、偏度等统计指标，识别"普遍偏高"、"普遍偏低"、"区分度不足"等评分倾向
一致性检测：通过计算专家间评分相关系数、肯德尔和谐系数等，发现评分结果与其他专家差异较大的"异常评分"
时间序列分析：追踪专家在多轮评审中的评分变化趋势，识别疲劳效应或学习效应

在该项目中担任核心开发与算法设计角色，具体职责包括：
需求分析与架构设计：与业务方深入沟通，理解评审场景的核心痛点，将"评分公平性"这一抽象需求转化为可量化的技术指标，设计系统整体架构与技术方案。
算法模块开发：独立负责评分倾向分析算法的研发，包括统计模型的选择、异常检测阈值的设定、评分校准算法的实现。通过多次迭代优化，确保分析结果的准确性与可解释性。
数据可视化实现：使用Echarts与D3.js开发交互式可视化组件，将复杂的统计分析结果转化为直观易懂的图表，提升用户体验。
全栈开发：独立完成系统后端API开发（Python Flask）与前端界面实现（Vue.js），确保系统从数据处理到界面展示的完整功能闭环。
测试与交付：编写单元测试与集成测试用例，进行多轮数据验证，确保系统在不同规模数据集上的稳定性与性能表现，最终顺利交付并上线运行。
该项目成功应用于某省级科技项目评审工作，帮助评审组织者发现并纠正了多位专家的评分偏差问题，显著提升了评审结果的公信力。