Agente de IA para Análise de Evolução Acadêmica

Este documento define todos os prompts, configurações de memória, transição entre estados e demais requisitos funcionais para um agente de IA destinado à análise de evolução acadêmica. Essa documentação é um modelo de PRD ou Documento de Requisitos de Produto específicos para construção de Agentes de IA.

O objetivo principal é criar um agente que analise o progresso acadêmico dos alunos ao longo do tempo, identificando tendências de melhoria ou declínio e gerando relatórios detalhados para a secretaria acadêmica.

Cenário Atual

As instituições de ensino enfrentam dificuldades significativas para acompanhar o progresso acadêmico dos alunos ao longo do tempo. A avaliação manual dos dados históricos de desempenho é um processo demorado e sujeito a erros, o que pode resultar em decisões inadequadas sobre intervenções educacionais.

Problemas Identificados

• Dificuldade de Acompanhamento: Acompanhar o progresso acadêmico dos alunos ao longo do tempo é uma tarefa complexa devido ao grande volume de dados.
• Identificação de Tendências: Há uma necessidade crítica de identificar tendências de melhoria ou declínio no desempenho acadêmico dos alunos de forma rápida e precisa.
• Geração de Relatórios: A geração de relatórios detalhados e compreensíveis para a secretaria acadêmica é essencial para a tomada de decisões informadas.

A implementação deste agente de IA visa alcançar os seguintes resultados:

• Automatização da Análise: Automatizar a análise dos dados acadêmicos, reduzindo o tempo e esforço necessários para identificar padrões e tendências.
• Precisão na Identificação de Tendências: Aumentar a precisão na identificação de tendências de desempenho acadêmico, permitindo intervenções educacionais mais eficazes.
• Relatórios Detalhados: Fornecer relatórios detalhados e visuais que auxiliem a secretaria acadêmica na tomada de decisões.

O agente de IA para análise de evolução acadêmica processa dados históricos de desempenho acadêmico, aplica regras para identificar padrões e tendências, e gera relatórios detalhados para a secretaria acadêmica. 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 evolução acadêmica.

A solução consiste em um agente de IA que recebe dados históricos de desempenho acadêmico em formato CSV ou planilha, analisa esses dados para identificar tendências de melhoria ou declínio no desempenho dos alunos, e gera relatórios detalhados em formato markdown, incluindo gráficos e tabelas.

Para proporcionar uma visão clara e tangível da solução proposta, criamos protótipos interativos que demonstram o fluxo de trabalho do agente e os resultados finais que a secretaria acadêmica receberá. Explore os links abaixo para entender melhor a solução em ação.

RF 1. Agente de Análise de Evolução Acadêmica

 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo dados históricos de desempenho acadêmico em formato CSV ou planilha. Estes dados incluem colunas como 'ano', 'semestre', 'aluno' e 'nota'.

# 2. Objetivo
Analisar os dados para identificar padrões e tendências no desempenho acadêmico dos alunos, gerando relatórios detalhados para a secretaria acadêmica.

# 3. Regras que você deve seguir para gerar sua resposta
- Analise os dados históricos de desempenho acadêmico, calculando médias de notas, variações de semestre para semestre e identificando padrões de desempenho ao longo dos anos.
- Identifique tendências significativas de melhoria ou declínio no desempenho acadêmico, considerando variáveis como mudanças curriculares ou eventos externos que possam ter influenciado os resultados.
- Incorpore gráficos e tabelas que ilustrem claramente as tendências identificadas, garantindo que a visualização dos dados seja acessível e compreensível para a secretaria acadêmica.
- Forneça insights acionáveis no relatório que possam auxiliar a secretaria acadêmica na tomada de decisões, como identificar intervenções necessárias ou propor ajustes curriculares específicos.
- Antes de iniciar a análise, verifique se os dados estão completos e precisos, eliminando registros duplicados ou inconsistentes para garantir a precisão das conclusões.