Agente de IA para Análise de Desempenho de Alunos

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

Como criar um agente de IA que analisa dados de avaliações para identificar padrões de desempenho dos alunos.

1. Propósito e Escopo

Este documento define todos os prompts, configurações de memória, transição entre estados e demais requisitos funcionais para o Fluxo de Agentes "Análise de Desempenho de Alunos", uma solução de automação projetada para identificar padrões de desempenho dos alunos e sugerir intervenções pedagógicas personalizadas. Essa documentação é um modelo de PRD ou Documento de Requisitos de Produto específicos para construção de Agentes de IA.

O objetivo principal é analisar dados de avaliações para identificar tendências e padrões de desempenho, sugerindo intervenções pedagógicas baseadas nos dados analisados para melhorar o aprendizado dos alunos.

2. Contexto e Problema

Cenário Atual

Educadores enfrentam desafios para identificar padrões de desempenho que não são facilmente visíveis. Além disso, há uma necessidade crescente de intervenções pedagógicas personalizadas para melhorar o aprendizado dos alunos.

Atualmente, a análise de desempenho dos alunos é um processo manual e demorado, que depende da interpretação subjetiva dos educadores, limitando a capacidade de identificar rapidamente tendências e agir de forma eficaz.


Problemas Identificados

  • Dificuldade em identificar padrões: Educadores têm dificuldade em detectar padrões de desempenho que não são imediatamente visíveis.
  • Intervenções pedagógicas limitadas: A falta de dados estruturados e análises impede a criação de intervenções pedagógicas eficazes e personalizadas.
  • Processo manual demorado: A análise manual dos dados é demorada e sujeita a erros, atrasando a implementação de intervenções necessárias.

3. Impactos Esperados

A implementação deste fluxo de automação visa alcançar os seguintes resultados:

  • Automatizar a análise de dados de desempenho para identificar padrões e tendências rapidamente.
  • Fornecer intervenções pedagógicas personalizadas baseadas em dados concretos e análises detalhadas.
  • Reduzir o tempo necessário para identificar e responder a necessidades educacionais dos alunos.

4. Visão Geral da Solução

O agente de IA para análise de desempenho de alunos processa dados de avaliações, identifica padrões de desempenho e sugere intervenções pedagógicas personalizadas. 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 desempenho dos alunos e na recomendação de intervenções pedagógicas específicas.

A solução consiste em um fluxo de automação composto por 4 agentes de IA. O processo inicia com a validação e padronização dos dados de avaliações e termina com a geração de um relatório detalhado para educadores.

A execução dos agentes é sequencial e linear, seguindo a ordem definida na tabela abaixo.

Agentes Função Principal
Agente de Validação e Padronização de Dados de Avaliações (RF 1) Validar, normalizar e padronizar os dados de avaliações para uso analítico consistente em todo o fluxo.
Agente de Análise de Padrões de Desempenho (RF 2) Identificar tendências, padrões e riscos de aprendizagem em nível de aluno, disciplina e turma.
Agente de Recomendações de Intervenções Pedagógicas (RF 3) Converter padrões identificados em planos de intervenção personalizados e acionáveis para alunos e turmas.
Agente de Geração de Relatório para Educadores (RF 4) Produzir relatório em Markdown com insights claros e acionáveis, consolidando análises e intervenções.

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 o educador receberá. Explore os links abaixo para entender melhor a solução em ação.

6. Requisitos Funcionais

RF 1. Agente de Validação e Padronização de Dados de Avaliações

1.1 Tarefa do Agente

Validar, normalizar e padronizar os dados de avaliações para uso analítico consistente em todo o fluxo.

1.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um arquivo CSV ou JSON contendo registros de avaliações. Este conjunto de dados inclui informações sobre o desempenho dos alunos em diferentes disciplinas.

# 2. Objetivo
Validar, normalizar e padronizar os dados de avaliações para garantir consistência e precisão na análise subsequente.

# 3. Regras que você deve seguir para gerar sua resposta
- Exigir colunas mínimas: (id_aluno OU nome_aluno), disciplina, nota, data_avaliacao. Se id_aluno ausente, gerar id_aluno_hash a partir de nome_aluno+data_nascimento (se existir) ou nome_aluno; registrar método_no_quality_report.
- Padronizar datas para ISO-8601 (YYYY-MM-DD). Se data inválida, descartar linha e registrar em linhas_descartadas com motivo.
- Normalizar nota para escala 0-10: se escala_maxima presente, nota_normalizada_0a10 = (nota/escala_maxima)*10; caso contrário, assumir escala_maxima=10. Preservar nota_original e escala_original_max.
- Normalizar peso: se peso ausente, definir peso_normalizado_1=1; se presente, converter para float e truncar a 3 casas decimais.
- Deduplicar registros: considerar duplicata quando (id_aluno, disciplina, avaliacao_id) repetidos ou, na ausência de avaliacao_id, quando (id_aluno, disciplina, data_avaliacao, nota_original) forem idênticos; manter o primeiro, descartar demais e registrar em linhas_deduplicadas.
- Tratar valores ausentes: se disciplina ou nota ausentes, descartar linha; se nome_aluno ausente porém id_aluno presente, manter; registrar contagem em campos_ausentes_por_coluna.
- Detectar outliers de nota por disciplina: calcular média e desvio-padrão por disciplina; marcar como outlier qualquer nota_normalizada_0a10 com z-score absoluto > 3; não descartar, apenas registrar em outliers_detectados com {id_aluno, disciplina, data, nota, zscore}.
- Inferir período letivo: se bimestre/semestre ausentes, inferir bimestre a partir do mês (1-3=1, 4-6=2, 7-9=3, 10-12=4) e semestre (1-6=1, 7-12=2).
- Garantir consistência de tipos: nota_normalizada_0a10 como número entre 0 e 10 (limitar a 2 casas decimais); strings aparadas (trim); disciplina em caixa título; modalidade em minúsculas padronizadas {prova, trabalho, quiz, projeto, outro}.
- Produzir quality_report completo com totais e observacoes relevantes (ex.: '3 linhas removidas por data inválida', 'escalas convertidas de 100 para 10 em 2 disciplinas'). 
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 um arquivo CSV ou JSON contendo registros de avaliações via API. Na fase de testes, o fluxo será iniciado pelo envio manual dos dados, que serão enviados para o agente diretamente por upload do arquivo na interface da Prototipe AI, para acelerar o processo de validação.
  • Tipo do input: O input inicial para o fluxo é um arquivo CSV ou JSON contendo registros de avaliações dos alunos.
  • Formatos Suportados: Esse agente deve ser capaz de receber arquivos 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 com dois objetos: dataset_normalizado (lista de registros padronizados) e quality_report (sumário de qualidade).
  • Exemplo de Estrutura de Output:
     {
      "dataset_normalizado": [
        {"id_aluno": "12345", "nome_aluno": "João Silva", "disciplina": "Matemática", "data_avaliacao_iso": "2025-08-01", "nota_normalizada_0a10": 8.5, "nota_original": 85, "escala_original_max": 100, "peso_normalizado_1": 1.0, "bimestre": 3, "semestre": 2, "turma": "A", "professor": "Maria Oliveira", "modalidade": "prova", "avaliacao_id": "mat2025-01" }
      ],
      "quality_report": {
        "registros_totais": 100,
        "registros_validos": 95,
        "campos_ausentes_por_coluna": {"nome_aluno": 2, "disciplina": 1},
        "linhas_descartadas": 5,
        "linhas_deduplicadas": 3,
        "outliers_detectados": 2,
        "escalas_convertidas": 2,
        "periodos_detectados": 4,
        "observacoes": ["3 linhas removidas por data inválida", "escalas convertidas de 100 para 10 em 2 disciplinas"]
      }
    } 
  • Número de caracteres esperado: O JSON final deve ter um tamanho estimado em torno de 8.000 caracteres, podendo variar conforme o número de registros processados.

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

  • 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 deve ser visível para o Agente de Análise de Padrões de Desempenho (RF 2).

1.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Análise de Padrões de Desempenho (RF 2).

RF 2. Agente de Análise de Padrões de Desempenho

2.1 Tarefa do Agente

Identificar tendências, padrões e riscos de aprendizagem em nível de aluno, disciplina e turma a partir do dataset normalizado.

2.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um JSON com o dataset normalizado e o quality_report, ambos gerados pelo agente anterior. Estes dados representam o desempenho dos alunos em diversas disciplinas.

# 2. Objetivo
Analisar o dataset para identificar tendências, padrões e riscos de aprendizagem, produzindo um JSON analytics com insights detalhados.

# 3. Regras que você deve seguir para gerar sua resposta
- Calcular KPIs básicos: média, mediana e desvio padrão globais e por disciplina (usar nota_normalizada_0a10 com pesos).
- Determinar tendência temporal: para cada aluno por disciplina e globalmente, ajustar linha de tendência simples (coeficiente de inclinação sobre sequência temporal ordenada) e classificar: subida (coef>+0,1), queda (coef<-0,1) ou estável (caso contrário).
- Classificar volatilidade do aluno por disciplina via coeficiente de variação (CV = desvio_padrão/média): alto (CV>0,25), médio (0,150; se média=0, definir volatilidade como 'indefinida'.
- Identificar gaps disciplinares de aluno: marcar disciplina como gap se média<6 ou se tendência de queda e última_nota<6, registrando motivo=['média_baixa','queda_recente'].
- Calcular percentis de desempenho por disciplina (P25, P50, P75) e a posição do aluno (baixo: P75).
- Estimar risco de reprovação por aluno em disciplina: alto se (média<5 OU três últimas notas com média<6) OU presença de 2+ gaps; médio se (média entre 5-6 ou tendência de queda); baixo caso contrário. Consolidar risco_reprovação global pelo pior nível entre disciplinas.
- Gerar alertas com severidade: crítica (risco alto ou queda acentuada com última_nota<5), média (risco médio ou volatilidade alta), baixa (atenção leve como ausência de dados recentes >60 dias).
- Incluir análise por turma: média, dispersao (desvio padrão) e disciplina com maior proporção de alunos com gap; se turma ausente em >30% dos registros, sinalizar limitação nos alertas.
- Tratar sazonalidade escolar: reportar quedas sistemáticas no 3º bimestre se média do 3º bimestre for >0,5 ponto menor que a do 2º e 4º; registrar no campo por_disciplina[].tendência_linear_sazonal.observacao.
- Garantir reprodutibilidade: todos limiares de corte e regras devem constar no campo analytics.meta_regras com valores numéricos utilizados. 
2.3 Configurações do Agente

2.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão do agente anterior (RF 1).
  • Tipo do input: Este agente deve ser apto a receber como input um JSON contendo o dataset normalizado e o quality_report.
  • 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 texto com até 50.000 caracteres.

2.3.2 Especificação do Output

  • Formato de output: O output deve ser um JSON analytics com insights detalhados sobre desempenho.
  • Exemplo de Estrutura de Output:
     {
      "kpis_gerais": {
        "alunos_unicos": 100,
        "disciplinas_unicas": 5,
        "media_geral": 7.2,
        "mediana_geral": 7.0,
        "desvio_padrao_geral": 1.1
      },
      "por_disciplina": [
        {
          "disciplina": "Matemática",
          "media": 6.8,
          "mediana": 7.0,
          "desvio": 1.2,
          "tendência_linear_sazonal": {"coeficiente": -0.3, "direção": "queda", "observacao": "queda no 3º bimestre"},
          "%abaixo_6": 20,
          "%acima_8": 30,
          "consistencia": 0.1
        }
      ],
      "por_aluno": [
        {
          "id_aluno": "12345",
          "nome_aluno": "João Silva",
          "medias_por_disciplina": {"Matemática": 6.8},
          "evolução_temporal": [{"data": "2025-08-01", "nota": 8.5}],
          "tendência_global": "queda",
          "volatilidade": "médio",
          "gaps_disciplinares": ["Matemática"],
          "risco_reprovação": "alto"
        }
      ],
      "por_turma": [
        {
          "turma": "A",
          "media": 7.0,
          "dispersao": 1.0,
          "disciplina_com_maior_gap": "Matemática"
        }
      ],
      "alertas": [
        {
          "tipo": "crítico",
          "alvo": "João Silva",
          "detalhe": "risco alto em Matemática",
          "severidade": "alta"
        }
      ]
    } 
  • Número de caracteres esperado: O JSON gerado deve ter um tamanho estimado em torno de 10.000 caracteres, dependendo da complexidade dos dados analisados.

2.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

2.3.4 Ferramentas do Agente

  • Documentos: Não consulta.
  • Calculadora: Utiliza lógica interna para calcular KPIs e tendências.
  • 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 Recomendações de Intervenções Pedagógicas (RF 3).

RF 3. Agente de Recomendações de Intervenções Pedagógicas

3.1 Tarefa do Agente

Converter padrões identificados em planos de intervenção personalizados e acionáveis para alunos e turmas.

3.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um JSON analytics gerado pelo agente anterior. Este documento contém insights detalhados sobre o desempenho dos alunos e das turmas.

# 2. Objetivo
Converter padrões identificados em planos de intervenção personalizados e acionáveis, produzindo um JSON recomendacoes com estratégias claras para alunos e turmas.

# 3. Regras que você deve seguir para gerar sua resposta
- Mapear gaps para objetivos claros: para cada gap em disciplina, criar objetivo SMART com alvo de nota (ex.: elevar média de 5,2 para >=6,5 em 8 semanas).
- Selecionar estratégias por tipo de problema: média baixa persistente -> reforço semanal guiado + exercícios graduais; tendência de queda -> revisão de pré-requisitos + tutorias; volatilidade alta -> rotina de prática espaçada + quizzes formativos; posição  acompanhamento individual e reforço de fundamentos.
- Definir carga semanal: risco alto -> 3-4h/semana; risco médio -> 2-3h/semana; risco baixo com gap -> 1-2h/semana.
- Especificar indicadores de monitoramento: usar última_nota, média móvel das 3 últimas avaliações, taxa de conclusão de tarefas e variação semanal; metas de curto prazo: +0,5 ponto em 3 semanas para risco médio, +1,0 ponto em 4 semanas para risco alto.
- Determinar frequência de acompanhamento: risco alto semanal, risco médio quinzenal, risco baixo mensal; registrar em acompanhamento.frequencia.
- Definir marco de reavaliação: 30 dias padrão; 21 dias para risco alto.
- Para turmas: escolher foco_disciplinar como a disciplina com maior % de alunos com gap; estratégias_coletivas incluem revisão diagnóstica inicial, ensino por estações e atividades de recuperação direcionada.
- Recursos sugeridos: listas de exercícios por nível, mapas de pré-requisitos da disciplina, grupos de estudo, tutorias de pares; sempre associar recurso a um objetivo específico.
- Gerar mapeamento_regras_aplicadas listando quais regras acionaram cada recomendação, incluindo limiares e métricas de origem.
- Respeitar limitações de dados: se qualidade de dados indicar limitações (ex.: cobertura de turma insuficiente), reduzir escopo da recomendação e registrar observação em recomendacoes.meta.limitacoes. 
3.3 Configurações do Agente

3.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão do agente anterior (RF 2).
  • Tipo do input: Este agente deve ser apto a receber como input um JSON analytics com insights detalhados sobre o desempenho.
  • 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 texto com até 10.000 caracteres.

3.3.2 Especificação do Output

  • Formato de output: O output deve ser um JSON recomendacoes com planos de intervenção personalizados.
  • Exemplo de Estrutura de Output:
     {
      "por_aluno": [
        {
          "id_aluno": "12345",
          "nome_aluno": "João Silva",
          "objetivos_aprendizagem": ["Elevar média de Matemática para >=6,5 em 8 semanas"],
          "estrategias": ["Reforço semanal guiado", "Exercícios graduais"],
          "recursos_sugeridos": ["Listas de exercícios por nível", "Tutorias de pares"],
          "carga_semanal_recomendada_h": 3.0,
          "acompanhamento": {"frequencia": "semanal", "indicadores_monitoramento": ["última_nota", "média móvel"]},
          "marco_reavaliacao_dias": 21
        }
      ],
      "por_turma": [
        {
          "turma": "A",
          "foco_disciplinar": "Matemática",
          "estrategias_coletivas": ["Revisão diagnóstica inicial", "Ensino por estações"],
          "semanais_minimas_de_pratica": 2,
          "indicadores_coletivos": ["Elevar média da turma em 0,7 no próximo bimestre"],
          "agenda_formativa": "Quinzenal"
        }
      ],
      "mapeamento_regras_aplicadas": ["Regras de carga semanal", "Regras de acompanhamento"]
    } 
  • Número de caracteres esperado: O JSON final deve ter um tamanho estimado em torno de 5.000 caracteres, podendo variar conforme o número de recomendações geradas.

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

3.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Geração de Relatório para Educadores (RF 4).

RF 4. Agente de Geração de Relatório para Educadores

4.1 Tarefa do Agente

Produzir relatório em Markdown com insights claros e acionáveis, consolidando análises e intervenções.

4.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um JSON analytics e um JSON recomendacoes, ambos gerados por agentes anteriores, além do quality_report inicial para notas metodológicas.

# 2. Objetivo
Produzir um relatório em Markdown que consolide os insights analíticos e as recomendações de intervenção de forma clara e acionável para os educadores.

# 3. Regras que você deve seguir para gerar sua resposta
- Estruturar o relatório com seções numeradas e títulos descritivos; incluir data de geração e período coberto (min e max de data_avaliacao_iso).
- Sumário executivo: listar de 3 a 7 principais achados, cada um com impacto esperado e recomendação associada.
- Panorama geral: apresentar KPIs em tabela (média, mediana, desvio, alunos_unicos, disciplinas_unicas).
- Seção por disciplina: para cada disciplina, mostrar média, % abaixo de 6, tendência (seta ↑/↓/→) e observações sazonais; destacar em negrito disciplinas com % abaixo de 6 > 35%.
- Alertas críticos: listar alunos em risco alto com breve justificativa (ex.: média 4,8 e tendência ↓).
- Recomendações por aluno: para cada aluno com gap, apresentar objetivo SMART, estratégias, carga semanal, frequência de acompanhamento, indicadores e marco de reavaliação.
- Recomendações por turma: metas coletivas, estratégia didática dominante e indicadores de sucesso (ex.: elevar média da turma em 0,7 no próximo bimestre).
- Plano de acompanhamento: cronograma sintético (semanal/quinzenal/mensal) e indicadores a monitorar; incluir checklist de próxima ação do educador.
- Apêndice metodológico: detalhar limiares usados, fórmulas de KPIs, critérios de risco e limitações do quality_report.
- Garantir linguagem clara, objetiva e não punitiva, sempre vinculando cada insight a uma ação sugerida. 
4.3 Configurações do Agente

4.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão do agente anterior (RF 3).
  • Tipo do input: Este agente deve ser apto a receber como input um JSON analytics, um JSON recomendacoes e o quality_report inicial.
  • Formatos Suportados: Esse agente deve ser capaz de receber inputs nos formatos: .json.
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de texto com até 20.000 caracteres.

4.3.2 Especificação do Output

  • Formato de output: O output deve ser um relatório em Markdown estruturado com insights e recomendações.
  • Exemplo de Estrutura de Output:
     # Relatório de Desempenho dos Alunos
    ## Sumário Executivo
    - Identificamos uma tendência de queda em Matemática.
    - Recomenda-se reforço semanal para alunos com média abaixo de 6,5.
    
    ## Panorama Geral
    | Indicador | Valor |
    |-----------|-------|
    | Média Geral | 7.2 |
    | Mediana Geral | 7.0 |
    
    ## Análise por Disciplina
    **Matemática**
    - Média: 6.8
    - % abaixo de 6: **20%**
    - Tendência: ↓
    
    ## Alertas Críticos
    - João Silva: Risco alto em Matemática (média 4,8 e tendência ↓)
    
    ## Recomendações por Aluno
    - **João Silva**
      - Objetivo: Elevar média de Matemática para >=6,5 em 8 semanas
      - Estratégias: Reforço semanal guiado, Exercícios graduais
    
    ## Plano de Acompanhamento
    - Frequência: Semanal
    - Indicadores: Última nota, Média móvel
    
    ## Apêndice Metodológico
    - Limiar de risco: Média < 5 
  • Número de caracteres esperado: O relatório gerado deve ter um tamanho estimado em torno de 10.000 caracteres, dependendo da quantidade de dados e recomendações.

4.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

4.3.4 Ferramentas do Agente

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

4.3.5 Memória

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

4.3.6 Regras de Orquestração e Transição

A execução deste agente finaliza o fluxo. O relatório gerado é o resultado que deve ser disponibilizado ao educador.

© 2025 prototipe.ai. Todos os direitos reservados.