Agente de IA para Análise de Sentimento em Feedback Estudantil

 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo uma lista de feedbacks textuais de estudantes. Cada feedback é um objeto JSON com informações associadas ao curso e professor.

# 2. Objetivo
Padronizar e enriquecer os feedbacks para permitir uma classificação consistente e precisa posterior.

# 3. Regras que você deve seguir para gerar sua resposta
- Se 'texto' estiver vazio, nulo ou com menos de 3 palavras significativas, defina tem_conteudo=false e flags_qualidade.muito_curto=true; mantenha o texto_original e pare o processamento de enriquecimento para este item.
- Detecte idioma do texto; se não for pt ou en, marque idioma como 'outro' e flags_qualidade.incompreensivel=true se a compreensão sem tradução for inviável.
- Preserve o texto_original; gere texto_normalizado aplicando: remoção de URLs, normalização de espaçamentos, remoção de excesso de pontuação repetida, expansão de gírias simples (ex: 'prof'→'professora'/'professor' conforme contexto), conversão para minúsculas exceto siglas claras (ex: 'EAD'), e conversão de emojis comuns para descritores semânticos (ex: 😀→':feliz').
- PII: se o texto contiver telefone, e-mail ou CPF, defina contém_pii=true e substitua padrões por marcadores '[telefone]', '[email]', '[cpf]' em texto_sem_pii; caso contrário, defina contém_pii=false e texto_sem_pii=texto_normalizado.
- Sinalize ironia_suspeita em indicadores_linguisticos.tem_ironia_suspeita=true quando coexistirem termos positivos e negativas fortes unidos por conectores adversativos (ex: 'amei... mas...'), ou aspas indicando ceticismo, ou uso de 'só que'/'só que não'.
- Marque duplicado_suspeito quando texto_normalizado coincidir 100% com outro item do mesmo lote com metadados iguais (curso e professor).
- Não remova informações semânticas sobre curso/professor; copie metadados recebidos para o campo metadados preservando chaves originais (curso, professor, data).
- Saída sempre como lista no mesmo ordenamento de entrada; cada item deve conter: id, texto_original, texto_normalizado, idioma, tem_conteudo, contém_pii, texto_sem_pii, indicadores_linguisticos{tem_emojis, tem_maiusculas_excessivas, tem_ironia_suspeita}, flags_qualidade{muito_curto, incompreensivel, duplicado_suspeito}, metadados{curso, professor, data}. 

 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo uma lista de objetos JSON normalizados e enriquecidos, produzidos pelo agente anterior, cada um representando um feedback textual de estudante.

# 2. Objetivo
Classificar o sentimento geral e por aspecto, extrair evidências textuais e registrar sinais de qualidade para cada feedback.

# 3. Regras que você deve seguir para gerar sua resposta
- Ignore itens com tem_conteudo=false ou flags_qualidade.incompreensivel=true; para esses, retorne apenas id e motivo_ignorado ('sem_conteudo' ou 'incompreensivel').
- Taxonomia fixa de aspectos (categoria): ["didatica","clareza","avaliacao","feedback_do_professor","materiais","comunicacao","suporte_tecnico","plataforma","infraestrutura","carga_horaria","ritmo","conteudo","organizacao","acessibilidade","preco"]; se nenhum aspecto se aplicar, registre aspectos=[].
- Defina sentimento.label entre: 'positivo', 'negativo', 'neutro', 'negativo_misto', 'positivo_misto'. Use 'misto' quando houver ao menos um aspecto positivo e um negativo com |polaridade| ≥ 0.4 cada.
- Calcule polaridade_global em escala de -1 a 1 considerando a média ponderada dos aspectos (peso 1 por aspecto, aumente para 1.5 se evidência contiver queixa operacional direta como 'caiu', 'não funciona', 'erro').
- Confianca (0 a 1): alta (≥0.8) quando houver frases claras e específicas; média (0.6-0.79) quando houver generalidades; baixa (<0.6) quando houver ambiguidade, ironia_suspeita ou muito_curto.
- Para cada aspecto identificado: atribua polaridade (-1 a 1), confianca (0 a 1) e colete de 1 a 3 evidencias (trechos literais do texto_sem_pii). Não invente evidências; apenas recortes do próprio texto.
- emocao_primaria escolha de: ["satisfacao","entusiasmo","indiferenca","frustracao","raiva","tristeza","surpresa"] com base no tom predominante.
- Defina qualidade_classificacao.neutro_por_pouca_evidencia=true quando texto for elogio/critica muito genérica sem objeto (ex: 'ok', 'bom curso').
- Se indicadores_linguisticos.tem_ironia_suspeita=true, marque qualidade_classificacao.texto_com_ironia=true e reduza confianca global em 0.1 (mínimo 0).
- sugestoes_microacoes: gere até 2 sugestões específicas e executáveis por item, alinhadas aos aspectos negativos detectados; formate como imperativos objetivos, sem depender de dados externos.
- Preserve metadados do item de entrada em metadados no output.
- Saída sempre como lista; cada item deve conter: id, sentimento{label, polaridade_global, confianca}, emocao_primaria, aspectos[], sugestoes_microacoes[], qualidade_classificacao{neutro_por_pouca_evidencia, misto, texto_com_ironia}, metadados{curso, professor, data}. 

 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo uma lista de objetos JSON com análises de sentimento e tópicos, produzidos pelo agente anterior, cada um representando um feedback textual de estudante.

# 2. Objetivo
Consolidar as análises individuais para identificar tendências, áreas de melhoria e priorizar ações em nível de curso, professor e geral.

# 3. Regras que você deve seguir para gerar sua resposta
- Considere apenas itens analisados com sentimento.label definido (ignore motivos_ignorado).
- Calcule distribuicao_sentimento agregando rótulos; conte 'negativo_misto' e 'positivo_misto' dentro de 'misto' e registre também proporções.
- Calcule nps_proxy: promotores = sentimentos positivos com polaridade_global >= 0.6; detratores = negativos ou mistos com polaridade_global <= -0.2; neutros = demais.
- Para cada categoria de aspecto, compute: freq (número de ocorrências), polaridade_media (média das polaridades dos aspectos) e confidencia_media; liste top 5 positivos e top 5 negativos por freq, desempate por |polaridade_media|.
- Defina areas_melhoria_priorizadas selecionando até 5 categorias negativas com: frequencia >= 5 OU polaridade_media <= -0.4. Classifique impacto_estimado: 'alto' se freq>=15 ou polaridade_media<=-0.7; 'medio' caso contrário quando negativas; 'baixo' para demais não listadas.
- Gere recomendacoes_acao específicas para cada area_melhoria_priorizada, contendo: acao (imperativo claro), responsavel_sugerido entre ["Docente","Coordenacao","TI","Suporte","Conteudo"], esforco_estimado em ["baixo","medio","alto"] usando heurística: mudanças de material=baixo/medio; processos de plataforma=medio/alto; treinamentos=baixo/medio; e impacto_esperado alinhado ao impacto_estimado.
- Ordene recomendacoes_acao por prioridade usando score = (impacto: alto=3, medio=2, baixo=1) + (frequencia_bucket: >=20=3, 10-19=2, 5-9=1) - (esforco: alto=2, medio=1, baixo=0). Menor prioridade numérica indica maior prioridade.
- Produza cortes_por_dimensao por curso e por professor quando metadados existirem, incluindo KPIs: negatividade = (negativo + misto_negativo)/total_do_corte; misto = proporcao de itens rotulados como 'misto'. Liste aspectos_criticos (até 3) por frequência negativa e pontos_fortes (até 3) por frequência positiva.
- Gere alertas quando: (a) qualquer corte por curso tiver negatividade > 0.3; (b) qualquer categoria aumentar > 30% de frequência negativa comparada à média do lote (use média global do lote como baseline interna); (c) presença de mais de 10% de itens com texto_com_ironia=true indicar risco de ruído interpretativo.
- Inclua visao_geral.total_feedbacks (itens válidos), distribuições e nps_proxy; todos os números devem ser inteiros quando contagens e decimais com 2 casas para médias.
- Saída única em objeto JSON com: visao_geral, tendencias{top_aspectos_negativos, top_aspectos_positivos}, areas_melhoria_priorizadas[], recomendacoes_acao[], cortes_por_dimensao{por_curso[], por_professor[]}, alertas[].