Das classroom50-Repository

Jede Klasse hat ein privates Repository <ORG>/classroom50. Es ist die einzige Konfigurationsquelle des Klassenzimmers: Aufgaben, Klassenliste, Autograder, Resultate und die Workflows liegen dort. Angelegt wird es von gh teacher classroom add.

classroom50/
├── .github/workflows/
│   ├── autograde-runner.yaml     ← zentraler Reusable Workflow (von gh teacher)
│   ├── publish-pages.yaml        ← stellt Autograder und Bundles auf GitHub Pages
│   ├── collect-scores.yaml       ← sammelt nachts alle Releases ein
│   └── moodle-sync.yaml          ← BZZ-eigen: Übertrag nach Moodle
└── <CLASSROOM>/                  ← ein Ordner pro Klassenzimmer
    ├── classroom.json            ← Kurzname und Stammdaten
    ├── assignments.json          ← alle Aufgaben, Templates, Termine
    ├── roster.csv                ← Klassenliste (Anzeigedaten)
    ├── autograder.py             ← Klassen-Default: startet pygrader50
    ├── autograders/<SLUG>/       ← optional: Bewertungs-Bundle je Aufgabe
    ├── scores.json               ← eingesammelte Resultate
    └── moodle-state.json         ← was schon nach Moodle übertragen wurde

Ein Repository kann mehrere Klassenzimmer enthalten — je einen Ordner. Der Ordnername ist der Kurzname aus classroom.json und muss nicht dem Organisationsnamen entsprechen.

publish-pages veröffentlicht Teile des Repos unter https://<ORG>.github.io/classroom50/. Von dort holt der Runner bei jeder Abgabe:

Im Studi-Repo liegt .github/workflows/autograde-runner.yaml. Die Datei wird beim Anlegen des Repos eingesetzt und ruft nur den zentralen Reusable Workflow des Config-Repos auf. Der Lauf wird übersprungen, wenn die Commit-Message CLASSROOM 50 oder NOACTION enthält.

1. Der setup-Job liest .classroom50.yaml aus dem Studi-Repo und den passenden Eintrag aus assignments.json der Pages-Site.
2. Der grade-Job holt runner.py von der Pages-Site und startet es.
3. runner.py lädt autograders/<SLUG>.tar.gz und sucht dann in dieser Reihenfolge: aufgaben-eigenes autograder.py → aufgaben-eigene tests.json → <CLASSROOM>/autograder.py → 0/0.
4. An der BZZ greift der dritte Punkt: <CLASSROOM>/autograder.py installiert pygrader50 in gepinnter Version und startet es im Studi-Checkout.
5. runner.py liest danach result.json, validiert es und publiziert Release und Commit-Status.

Die drei Dateien unittests.json, lint.json und pylintrc können entweder im Studi-Repo unter .github/autograding/ liegen (Fallback aus der GitHub-Classroom-Zeit) oder manipulationssicher als Bundle im Config-Repo unter <CLASSROOM>/autograders/<SLUG>/.

Details und Vorrangregeln: Wie bewertet wird.

Der Moodle-Token liegt nur hier, nicht in der Studi-Organisation. Der Bewertungs-Job bekommt gar keine Secrets: autograde-runner.yaml deklariert in seinem workflow_call:-Block nur outputs:. Der Job ist ausdrücklich keine Isolationsgrenze gegen selbst hinzugefügte Studi-Workflows — alles Vertrauliche gehört deshalb ins Config-Repo.

• Überblick Classroom 50
• Klassenzimmer und Aufgaben verwalten
• Ein Klassenzimmer einrichten
• Template-Repositories