Agente de IA para Análise de Dados de Evasão Escolar

18 de December de 2025 • Tempo de leitura: 5 min

Como criar um agente de IA que examina dados históricos de evasão escolar para identificar fatores de risco e sugerir estratégias de retenção de alunos.

1. Propósito e Escopo

Este documento define todos os prompts, configurações de memória, transição entre estados, consulta a documentos e demais requisitos funcionais para o Agente de IA para Análise de Dados de Evasão Escolar. Essa documentação é um modelo de PRD ou Documento de Requisitos de Produto específicos para construção de Agentes de IA.

O objetivo deste agente é examinar dados históricos de evasão escolar para identificar padrões e fatores de risco, além de sugerir estratégias personalizadas de retenção de alunos.

2. Contexto e Problema

A evasão escolar é um problema significativo que afeta diversas instituições educacionais. Apesar de existirem dados históricos sobre o fenômeno, a dificuldade em interpretar esses dados impede a implementação de estratégias eficazes para retenção de alunos.

Os principais problemas enfrentados incluem:

  • Alta taxa de evasão escolar sem uma compreensão clara dos fatores subjacentes.
  • Dificuldade em implementar estratégias eficazes para retenção de alunos.

3. Impactos Esperados

A implementação deste agente visa alcançar os seguintes resultados:

  • Identificar padrões e fatores de risco associados à evasão escolar.
  • Antecipar quais alunos estão em risco de evasão.
  • Sugerir estratégias personalizadas de retenção com base nos fatores de risco identificados.

4. Visão Geral da Solução

O agente de IA para análise de dados de evasão escolar processa dados históricos estruturados para identificar fatores de risco e sugerir estratégias de retenção de alunos. A seguir são detalhadas todas as regras de negócio e especificações funcionais necessárias para que esse agente atue como um assistente útil e autônomo na análise de dados de evasão escolar.

A solução consiste em um fluxo de automação composto por 3 agentes de IA. O processo inicia com a análise de dados históricos e termina com a sugestão de estratégias de retenção personalizadas.

Agentes Função Principal
Agente de Análise de Dados Históricos de Evasão Escolar (RF 1) Examinar dados históricos de evasão escolar para identificar padrões e fatores de risco.
Agente de Análise Preditiva de Risco de Evasão Escolar (RF 2) Antecipar quais alunos estão em risco de evasão a partir dos fatores identificados.
Agente de Sugestão de Estratégias de Retenção Escolar (RF 3) Sugerir estratégias de retenção personalizadas com base nos fatores e no nível de risco do aluno.

5. Protótipos

Para proporcionar uma visão clara e tangível da solução proposta, criamos protótipos interativos que demonstram tanto o fluxo de trabalho dos agentes quanto o resultado final que a instituição receberá. Explore os links abaixo para entender melhor a solução em ação.

6. Requisitos Funcionais

RF 1. Agente de Análise de Dados Históricos de Evasão Escolar

1.1 Tarefa do Agente

Examinar dados históricos de evasão escolar para identificar padrões e fatores de risco.

1.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo uma base de dados histórica sobre evasão escolar, estruturada em nível de aluno e/ou escola.

# 2. Objetivo
Analisar esses dados para identificar padrões, fatores de risco e sugerir estratégias de retenção.

# 3. Regras que você deve seguir para gerar sua resposta
- Padronize valores de entrada e normalize categorias textuais.
- Relate a qualidade dos dados e identifique outliers.
- Calcule padrões temporais e quebras estruturais.
- Classifique a associação com fatores de risco e proponha faixas operacionais.

# 4. Exemplo de Output que você deve produzir
{
  "qualidade_dados": {...},
  "padroes_temporais": [...],
  "pontos_quebra": [...],
  "fatores_candidatos": [{"fator": "frequencia", "sinal": "quanto menor, maior risco", "faixas": [{"limite_inferior": 0, "limite_superior": 75, "risco_relativo": "alto"}, ...], "forca_associacao": "alta", "evidencias": ["anos 2021-2023: evasão 3,1x maior com frequencia <75%"], "peso_recomendado": 0.25}],
  "variaveis_excluir": ["genero", "raca_cor"]
} 
1.3 Configurações do Agente

1.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente é o ponto de partida do fluxo e deve ser acionado pelo envio de uma base histórica de dados estruturados via API após a coleta ser finalizada. Na fase de testes, os dados serão enviados pelo agente diretamente por upload de um csv na interface da Prototipe AI, para acelerar o processo de validação.
  • Tipo do input: O input inicial para o fluxo é uma base de dados em CSV ou JSON.
  • Formatos Suportados: Esse agente deve ser capaz de receber dados nos formatos: .csv, .json.
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de texto com até 100.000 caracteres.

1.3.2 Especificação do Output

  • Formato de output: O output deve ser um JSON estruturado contendo diagnóstico e fatores candidatos.
  • Exemplo de Estrutura de Output:
     {
      "qualidade_dados": {...},
      "padroes_temporais": [...],
      "pontos_quebra": [...],
      "fatores_candidatos": [{"fator": "frequencia", "sinal": "quanto menor, maior risco", "faixas": [{"limite_inferior": 0, "limite_superior": 75, "risco_relativo": "alto"}, ...], "forca_associacao": "alta", "evidencias": ["anos 2021-2023: evasão 3,1x maior com frequencia <75%"], "peso_recomendado": 0.25}],
      "variaveis_excluir": ["genero", "raca_cor"]
    } 
  • Número de caracteres esperado: O JSON gerado deve ter um tamanho estimado de 3.000 caracteres.

1.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

1.3.4 Ferramentas do Agente

  • Documentos: Não consulta documentos externos.
  • Calculadora: Não utiliza.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não se conecta a sistemas externos.

1.3.5 Memória

1.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Análise Preditiva de Risco de Evasão Escolar (RF 2).

RF 2. Agente de Análise Preditiva de Risco de Evasão Escolar

2.1 Tarefa do Agente

Antecipar quais alunos estão em risco de evasão a partir dos fatores identificados, produzindo um score explicável.

2.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um JSON com fatores candidatos e pesos do agente anterior, além de uma base atual de alunos.

# 2. Objetivo
Analisar os dados para antecipar quais alunos estão em risco de evasão, produzindo um score explicável.

# 3. Regras que você deve seguir para gerar sua resposta
- Utilize apenas fatores com peso recomendado > 0 e não presentes em variáveis para exclusão.
- Calcule o score de risco e classifique os alunos em faixas de risco.
- Forneça justificativas para o score atribuído a cada aluno.

# 4. Exemplo de Output que você deve produzir
{
  "alunos": [{"aluno_id": "123", "score_0_100": 78, "faixa_risco": "alto", "top_fatores_contribuicao": [{"fator": "frequencia", "contribuicao": 0.31, "justificativa": "<75%"}], "regras_disparidade": {"sensivel_usado": false}}],
  "parametrizacao": {"pesos": {...}, "limiares": {"baixo": "<35", "medio": "35-69", "alto": ">=70"}}
} 
2.3 Configurações do Agente

2.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão bem-sucedida do agente anterior (RF 1).
  • Tipo do input: Este agente deve ser apto a receber como input um JSON com fatores candidatos e pesos, além de uma base atual de alunos.
  • Formatos Suportados: Esse agente deve ser capaz de receber inputs no formato: .json.
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de até 50.000 caracteres.

2.3.2 Especificação do Output

  • Formato de output: O output deve ser um JSON estruturado contendo o risco por aluno, score, faixa de risco e justificativas.
  • Exemplo de Estrutura de Output:
     {
      "alunos": [{"aluno_id": "123", "score_0_100": 78, "faixa_risco": "alto", "top_fatores_contribuicao": [{"fator": "frequencia", "contribuicao": 0.31, "justificativa": "<75%"}], "regras_disparidade": {"sensivel_usado": false}}],
      "parametrizacao": {"pesos": {...}, "limiares": {"baixo": "<35", "medio": "35-69", "alto": ">=70"}}
    } 
  • Número de caracteres esperado: O JSON gerado deve ter um tamanho estimado de 2.500 caracteres.

2.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

2.3.4 Ferramentas do Agente

  • Documentos: Não consulta.
  • Calculadora: Não utiliza.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não utiliza.

2.3.5 Memória

2.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Sugestão de Estratégias de Retenção Escolar (RF 3).

RF 3. Agente de Sugestão de Estratégias de Retenção Escolar

3.1 Tarefa do Agente

Sugerir estratégias de retenção personalizadas e acionáveis com base nos fatores e no nível de risco do aluno.

3.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um JSON com risco por aluno, score, faixa_risco e top_fatores_contribuicao do agente anterior.

# 2. Objetivo
Sugerir estratégias de retenção personalizadas e acionáveis.

# 3. Regras que você deve seguir para gerar sua resposta
- Mapeie fatores de risco para intervenções específicas.
- Ajuste a intensidade das ações de acordo com a faixa de risco.
- Priorize alunos de acordo com a faixa de risco e score.

# 4. Exemplo de Output que você deve produzir
{
  "aluno_id": "123",
  "faixa_risco": "alto",
  "estrategias": [{"estrategia": "tutoria_em_matematica", "racional": "baixo desempenho e faltas", "intensidade": "alta", "responsavel": "coordenacao_pedagogica", "frequencia": "2x/semana", "inicio_ate": "AAAA-MM-DD", "kpi_sucesso": "frequencia >=85% em 30 dias", "revisao_em_dias": 30}],
  "prioridade": 1
} 
3.3 Configurações do Agente

3.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão bem-sucedida do agente anterior (RF 2).
  • Tipo do input: Este agente deve ser apto a receber como input um JSON com risco por aluno, score, faixa de risco e top fatores de contribuição.
  • Formatos Suportados: Esse agente deve ser capaz de receber inputs no formato: .json.
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de até 50.000 caracteres.

3.3.2 Especificação do Output

  • Formato de output: O output deve ser um JSON estruturado contendo o plano de intervenção por aluno.
  • Exemplo de Estrutura de Output:
     {
      "aluno_id": "123",
      "faixa_risco": "alto",
      "estrategias": [{"estrategia": "tutoria_em_matematica", "racional": "baixo desempenho e faltas", "intensidade": "alta", "responsavel": "coordenacao_pedagogica", "frequencia": "2x/semana", "inicio_ate": "AAAA-MM-DD", "kpi_sucesso": "frequencia >=85% em 30 dias", "revisao_em_dias": 30}],
      "prioridade": 1
    } 
  • Número de caracteres esperado: O JSON gerado deve ter um tamanho estimado de 2.500 caracteres.

3.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

3.3.4 Ferramentas do Agente

  • Documentos: Não consulta.
  • Calculadora: Não utiliza.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não utiliza.

3.3.5 Memória

  • Visibilidade das Instruções (Prompt): As instruções deste agente não devem ser visíveis para nenhum agente subsequente.
  • Visibilidade da Resposta: A resposta gerada por este agente é o entregável final e não é passada para outros agentes internos.

3.3.6 Regras de Orquestração e Transição

A execução deste agente finaliza o fluxo.

© 2025 prototipe.ai. Todos os direitos reservados.