A rotina de um professor é repleta de desafios e tarefas que demandam tempo e dedicação. Entre planejamento de aulas, correções e o acompanhamento individualizado, a análise aprofundada do desempenho dos alunos em avaliações pode se tornar uma tarefa complexa e demorada. Identificar padrões, dificuldades específicas e pontos fortes em uma turma inteira exige um olhar atento e muitas horas de trabalho. Mas, e se a IA pudesse automatizar e enriquecer esse processo?
Recentemente, uma live do nosso time explorou exatamente isso: como criar um agente de IA personalizado, utilizando a Tess, para analisar detalhadamente os resultados de provas, fornecendo insights valiosos que podem direcionar estratégias pedagógicas mais eficazes. Este artigo detalha esse caso de uso, mostrando como a tecnologia pode ser uma poderosa aliada dos educadores.
Tradicionalmente, a análise do desempenho dos alunos muitas vezes se resume à nota final. No entanto, essa métrica isolada pode esconder informações cruciais. Quais questões apresentaram maior dificuldade para a maioria? Existem alunos com desempenhos muito díspares, indicando necessidades específicas de reforço ou aprofundamento? Quais temas precisam ser revisitados? Responder a essas perguntas manualmente, cruzando dados de provas e planilhas para cada aluno, consome um tempo precioso que poderia ser dedicado à interação e ao planejamento.
A proposta demonstrada na live foi a criação de um "agente" de IA dentro do AI Studio da plataforma Tess. Esse agente funciona como um assistente virtual treinado especificamente para uma tarefa: analisar os resultados de uma prova com base em um gabarito e uma planilha de desempenho dos alunos.
A ideia central é que, uma vez configurado, esse agente possa receber os dados de diferentes avaliações e turmas, realizando a análise de forma rápida e padronizada, liberando o professor para focar nas interpretações e ações pedagógicas.
A criação do agente envolveu um processo estruturado, focado em "ensinar" a IA sobre seu papel e suas tarefas. Embora possa parecer complexo inicialmente, o esforço na configuração inicial resulta em economia de tempo a longo prazo.
Escolhendo o Tipo de IA: Optou-se por uma IA de "Chat". A vantagem desse formato é a interatividade. Após a análise inicial, é possível conversar com o agente, pedir refinamentos, solicitar detalhes adicionais ou explorar insights específicos, algo que uma IA puramente de "Texto" não permitiria.
Modelos de IA: A plataforma oferece flexibilidade na escolha do modelo de linguagem que potencializa o agente (como modelos GPT, Claude, Gemini, etc.). Para este caso, deixou-se a opção aberta, permitindo selecionar o modelo mais adequado no momento do uso ou deixar a plataforma (T5) escolher automaticamente.
O Coração do Agente: O Prompt de Treinamento: Esta é a etapa crucial, onde as instruções são dadas à IA. Utilizou-se uma estrutura organizada, dividida em seções:
Persona: Definiu-se a "identidade" do agente – um professor de história experiente, qualificado em análise de avaliações e acompanhamento de alunos. Isso contextualiza o "papel" que a IA deve assumir.
Objetivo: Descreveu-se claramente a tarefa principal: analisar o resultado dos alunos em uma prova específica (neste caso, de história), prestando atenção aos números individuais, buscando padrões, combinações e gerando insights relevantes.
Output (Formato da Resposta): Determinou-se como a IA deveria apresentar a análise: de forma completa e rica, com uma contextualização inicial, tópicos claros e um resumo final. Foi instruída a mencionar nomes de alunos quando identificasse insights específicos sobre eles (ex: necessidade de reforço).
Regras: Estabeleceram-se limites e diretrizes importantes, como "jamais inventar informações" (para evitar alucinações da IA), não ultrapassar um limite de linhas (opcional) e avisar sobre possíveis divergências encontradas nos dados (um recurso extra de verificação).
Tornando Dinâmico: Entradas do Usuário (Variáveis): Como cada análise será sobre uma prova e resultados diferentes, criaram-se "Entradas de Usuário". Essas entradas funcionam como campos a serem preenchidos cada vez que o agente for utilizado:
Prova: Um campo para fazer o upload do arquivo da prova (ex: .docx).
Planilha de Resultados: Um campo para indicar a planilha com as notas/respostas dos alunos (neste caso, configurado inicialmente com um link fixo do Google Sheets, mas que poderia ser uma entrada para o link ou upload de arquivo).
Processando a Informação: AI Steps (Etapas de IA): Para que a IA pudesse ler e compreender os arquivos fornecidos nas Entradas, configuraram-se "AI Steps":
Leitura da Prova: Utilizou-se um step de Document Processing para extrair o conteúdo do arquivo da prova (.docx). O resultado dessa leitura foi vinculado à variável correspondente no prompt.
Leitura da Planilha: Utilizou-se um step de App Integration conectado ao Google Sheets. Foi especificado o link da planilha e o intervalo de células a serem lidos (get values). O resultado dessa leitura também foi vinculado à variável correspondente no prompt.
Com essas etapas, o agente estava pronto: treinado sobre o que fazer, como fazer, e configurado para receber e processar os dados específicos de cada análise.
Após configurar o agente, a execução foi simples. Bastou fornecer o arquivo da prova e (neste caso, como estava fixo) garantir que a planilha estava acessível. Com um comando simples como "gere a análise", o agente processou as informações e apresentou um relatório detalhado, similar ao que foi instruído no prompt:
Contextualização: Um breve resumo sobre o conteúdo da prova.
Desempenho Geral: Estatísticas como número total de alunos, quantos atingiram a nota máxima (identificando-os nominalmente).
Distribuição de Desempenho: Percentuais de alunos por faixas de nota.
Questões Mais Desafiadoras: Identificação das questões com maior índice de erro na turma (ex: Questão 2 sobre Alexandre o Grande, Questão 3 sobre Queda do Império Romano). Isso é valiosíssimo para o professor entender quais tópicos precisam de reforço.
Casos Interessantes: Destaque para alunos com desempenho notável (muito alto ou muito baixo), mencionando nomes e percentuais de acerto, como instruído (ex: Thiago com 90%, Pedro e Rafael com apenas 20%, sinalizando necessidade de atenção).
Recomendações: Sugestões de ações pedagógicas baseadas na análise, como focar em conteúdos específicos, trabalhar individualmente com alunos de baixo desempenho ou promover estudos dirigidos sobre os temas mais difíceis.
Resumo Final: Uma visão geral do panorama de aprendizado da turma.
A interatividade do agente de chat permitiu ir além, solicitando, por exemplo, "estratégias pedagógicas para os temas das questões 2, 3 e 5", e a IA prontamente sugeriu atividades como aulas dramatizadas, linhas do tempo, debates e uso de recursos visuais.
A live também explorou rapidamente outro caso de uso interessante para professores: a criação de resumos de aulas em áudio. O processo envolve:
Ter a transcrição de uma aula (seja digitada, ou obtida a partir de um áudio/vídeo usando a própria ferramenta de transcrição da Tess).
Pedir à IA (no AI Copilot) para resumir essa transcrição.
Utilizar a funcionalidade de "Narração" da Tess para transformar o texto resumido em um arquivo de áudio (MP3), escolhendo entre diferentes vozes disponíveis.
O resultado é um áudio conciso que pode ser compartilhado com os alunos como material de revisão, tornando o estudo mais acessível e dinâmico.
A demonstração utilizou principalmente recursos da plataforma Tess:
AI Studio: Ambiente para criação e treinamento de agentes de IA personalizados.
AI Copilot: Interface de chat para interações gerais com IA, incluindo funcionalidades como Narração e acesso a ferramentas (Tools).
Entradas de Usuário (Variáveis): Campos para fornecer dados dinâmicos aos agentes (uploads, texto, links).
AI Steps: Módulos para processar informações (ler documentos, integrar com apps como Google Sheets).
Modelos de Linguagem: Diversas opções (GPT, Claude, etc.) para potencializar as IAs.
Ferramentas (Tools) no Copilot: Integrações como Manage Files (para criar planilhas/documentos via chat), Internet Search, etc.
Narração (Text-to-Speech): Funcionalidade para converter texto em áudio com vozes sintéticas de alta qualidade.
Ao longo da demonstração, algumas dicas importantes foram compartilhadas:
Invista Tempo no Prompt: Um prompt bem estruturado e detalhado é a chave para um agente eficaz. O tempo dedicado aqui economiza retrabalho depois.
Use Variáveis para Flexibilidade: Configure entradas de usuário para dados que mudam a cada uso (como arquivos de prova e resultados).
Escolha o Tipo de IA Certo: Para tarefas que podem exigir refinamento ou diálogo, a IA de Chat é mais vantajosa que a de Texto.
Aproveite os AI Steps: Use as etapas de IA para integrar fontes de dados externas (documentos, planilhas, web) diretamente no fluxo do seu agente.
Itere e Refine: Comece com uma versão básica do agente e vá aprimorando o prompt e as configurações com base nos resultados. A natureza interativa do chat facilita isso.
Atenção às "Alucinações": Inclua regras no prompt para que a IA se baseie apenas nos dados fornecidos e não invente informações.
Considere o Contexto: Para interações muito longas, modelos com maior janela de contexto (como Gemini 1.5 Pro) podem manter a coerência por mais tempo.
O caso de uso apresentado demonstra claramente como a Inteligência Artificial pode ser uma ferramenta transformadora para educadores. Ao automatizar tarefas analíticas complexas como a análise de desempenho, a IA não apenas economiza tempo, mas também fornece insights mais profundos e acionáveis sobre o aprendizado dos alunos. A capacidade de criar agentes personalizados e até materiais complementares como resumos em áudio abre um leque de possibilidades para enriquecer a prática pedagógica e focar no que realmente importa: o desenvolvimento e o sucesso de cada estudante. A tecnologia está aqui para ser uma aliada, e explorá-la de forma estratégica pode trazer benefícios significativos para o ambiente educacional.
