Resultados e Auditoria — Prova Escrita 1 (Modelo A)

Pipeline Multimodal de Correção, Laudos Analíticos e Estatísticas da Turma (2026.2)

Data de Publicação

27/10/2026

Data de Modificação

22/10/2026

Acesso Rápido aos Documentos da Prova 1

🏛️ ← Voltar ao Hub Geral de Provas
📊 Relatório Diagnóstico e Pedagógico da Prova 1 (Autópsia das questões e misconceptions)
📑 Caderno de Prova Original (PDF)
📑 Gabarito Oficial Analítico (PDF)
📥 Planilha Consolidada de Notas (CSV)

Este repositório documenta a estratégia, os artefatos de transcrição em Quarto (.qmd), os critérios do gabarito oficial e os laudos avaliativos da Prova Escrita 1 (Modelo A) da disciplina de Inteligência Artificial II (IA II), aplicada em 19/10/2026 aos discentes dos turnos matutino e vespertino (Turma 1 e Turma 2) do curso de Engenharia de Computação do CEFET-MG.

1. Visão Geral e Arquitetura do Pipeline

O processo de correção adota uma abordagem em duas etapas sequenciais e auditáveis para garantir máxima transparência pedagógica, reprodutibilidade e conformidade com o livro-texto e os laboratórios da disciplina:

2. Estrutura de Arquivos e Diretórios da Prova 1

avaliacoes/provas/prova-1/
├── index.qmd                           <- Este documento (Guia mestre de resultados e auditoria)
├── diagnostico.qmd                     <- Relatório pedagógico, autópsia das questões e gráficos
├── caderno/                            <- Cadernos de prova impressos aplicados
│   ├── prova1-modelo-a.tex / .pdf
│   └── prova1-modelo-b.tex / .pdf
├── gabarito/                           <- Gabarito analítico e alinhamento didático
│   ├── gabarito-prova1-modelo-a.tex / .pdf
│   └── gabarito-prova1-modelo-b.tex / .pdf
├── dados/                              <- Bases estruturadas
│   ├── mapeamento_provas.json          <- Mapeamento dos 33 discentes presentes (ID, Turma, PDF)
│   └── notas_prova1.csv                <- Planilha consolidada de notas exportada via CLI
├── graficos/                           <- 6 gráficos analíticos e diagnósticos em alta resolução (300 DPI)
├── digitalizacoes/                     <- 33 PDFs digitalizados das provas dos alunos
│   ├── Arthur Baltar Eler - 20223004240.pdf
│   └── ...
├── transcricoes/                       <- 33 arquivos Quarto (.qmd) com as transcrições auditadas
│   ├── Arthur Baltar Eler - 20223004240.qmd
│   └── ...
└── laudos/                             <- 33 laudos individuais de avaliação em HTML
    ├── Arthur Baltar Eler - 20223004240_correcao.html
    └── ...

3. Padrão do Modelo de Análise (Arquivos de Referência)

Para cada um dos 33 discentes presentes, são gerados dois artefatos dedicados:

A. Arquivo de Transcrição: `transcricoes/Nome Completo - matricula.qmd`

Metadados YAML: Nome, matrícula, turma, legibilidade global (%), tipo de caneta/escrita e particularidades de leitura.
Transcrições Fidedignas: Transcrição estrita do que o aluno redigiu nas pautas de resposta das Questões 1 a 5 (subitens a, b, c), sem omissões.
Descrição Semântica de Elementos Visuais: Descrição detalhada de gráficos, retas de calibração, curvas de perda ou diagramas desenhados pelo aluno.
Marcação de Rasuras e Incertezas: Uso de ~~riscado~~, [ilegível] ou [NÃO RESPONDEU / EM BRANCO].

B. Laudo de Avaliação: `Nome Completo - matricula_correcao.html`

Estilização Compartilhada: <link rel="stylesheet" href="style.css">.
Identificação Institucional: Cabeçalho oficial CEFET-MG Timóteo e botão de acionamento de window.print() em A4.
Card do Aluno: Nome, matrícula, turma e badge destacado com a Nota Final (XX,X de 25,0).
Quadro de Desempenho: Tabela com pontuação discriminada por questão e barras de progresso percentual.
Detalhamento Subitem a Subitem:
- Badge de pontuação obtida vs. máxima (badge-success, badge-warning ou badge-danger).
- Box com a resposta transcrita do discente (.student-resp).
- Box com o parecer analítico do docente fundamentando a nota com base no gabarito (.feedback-box).

4. Rubrica Oficial de Pontuação (Critérios de Correção)

As notas são distribuídas estritamente conforme a fundamentação técnica e o alinhamento com o livro-texto de IA II especificados em /avaliacoes/provas/prova-1/gabarito/gabarito-prova1-modelo-a.tex:

Questão	Subitem	Valor	Critérios e Evidências Principais do Gabarito Oficial	Alinhamento Didático
Q1	1.a	2,0	Diagnóstico da Figura 1 e Decisão de Produção: Interpreta que a perda de treino caindo até a época 30 enquanto a perda de validação sobe a partir da Época 8 diagnostica sobreajuste (overfitting / memorização) (1,0); refuta a premissa da equipe, apontando que queda na perda de treino isolada não garante generalização e causará falhas críticas em novos pacientes (1,0).	Livro: Cap. 02, 03, 05 Lab: Lab 02, 03, 05
	1.b	2,0	Representação e Retropropagação: Normaliza/escalona variáveis numéricas contínuas (idade, sinais vitais) e codifica categorias adequadamente (one-hot ou embedding), preservando rigorosamente as transformações na inferência (1,0); fundamenta que a retropropagação calcula os gradientes da perda em relação a pesos e vieses via regra da cadeia, e o otimizador atualiza os parâmetros (a rede não “aprende sozinha”) (1,0).	Livro: Cap. 02, 03 Lab: Lab 02, 03
	1.c	1,0	Evidências de Confiança e Reprodutibilidade: Exige validação/teste independentes sem vazamento (data leakage), métricas clínicas adequadas (sensibilidade/recall, curva PR, calibração) e medidas concretas de reprodutibilidade (fixação de sementes e versionamento de pipeline/MLflow) (1,0).	Livro: Cap. 05, 08 Lab: Lab 05, 08
Q2	2.a	2,0	Diagnóstico Experimental: Propõe coletar e inspecionar amostra rotulada do turno noturno analisando iluminação/ruído antes de alterar a rede (1,0); distingue com clareza sobreajuste (alto treino, baixa validação em dados similares), mudança de distribuição (covariate shift restrito à noite) e falha de rotulação (discordância sistemática com o especialista) (1,0).	Livro: Cap. 06, 07 Lab: Lab 07
	2.b	2,0	Arquitetura e Transferência de Aprendizado: Fundamenta a CNN pela invariância a translação e extração hierárquica de padrões locais (trincas/defeitos) (1,0); desenha estratégia de transfer learning congelando extratores pré-treinados, treinando nova cabeça densa e aplicando regularização e data augmentation realista (brilho/ruído/contraste) (1,0).	Livro: Cap. 06, 07 Lab: Lab 07
	2.c	1,0	Cautela Amostral: Exige validação independente para o turno noturno, intervalos de confiança ou validação cruzada/bootstrap, evitando declarar ganho com base em conjunto diminuto do novo turno (1,0).	Livro: Cap. 06, 08 Lab: Lab 08
Q3	3.a	2,0	Interpretação da Calibração e Crítica ao Limiar: Aponta que 0,50 é convenção simétrica arbitrária; na Figura 2, para \(\hat{p}=0{,}50\), a frequência real de urgência é de apenas 18%, provando sobreconfiança e disparo massivo de alarmes falsos (1,0); explica que calibrar exige que \(\hat{p}\) reflita a frequência empírica observada (\(y=x\)), propondo calibração pós-processamento (Platt Scaling ou Regressão Isotônica) (1,0).	Livro: Cap. 08 Lab: Lab 08
	3.b	2,0	Custos Assimétricos e Capacidade Operacional: Formaliza que o custo de Falsos Negativos (óbito/urgência desassistida) supera largamente o de Falsos Positivos (1,0); pondera a escolha do ponto operacional pelo compromisso entre sensibilidade e o teto de vazão da equipe médica para evitar fadiga de alarmes (1,0).	Livro: Cap. 08 Lab: Lab 08
	3.c	1,0	Telemetria e Deriva de Conceito: Projeta monitoramento em produção com métricas de decisão diárias, rastreamento de data drift e concept drift, com ações técnicas imediatas de re-calibração ou revisão médica diante de anomalias (1,0).	Livro: Cap. 08 Lab: Lab 08
Q4	4.a	2,0	Representação Semântica e Limitações do Cosseno: Distingue embeddings estáticos (Word2Vec: vetor fixo por palavra, ignora contexto) de contextualizados (Transformers/BERT: vetores variam conforme sintaxe e semântica da consulta) (1,0); demonstra que o cosseno reflete apenas proximidade angular, sem garantir autoridade, recência, veracidade factual ou termos exatos (1,0).	Livro: Cap. 09, 10 Lab: Lab 09, 10
	4.b	1,5	Avaliação Rigorosa de Recuperação: Rejeita a métrica ingênua (“retornou algo”); propõe conjunto de consultas anotadas com ground truth e métricas formais de IR como Recall@K, Precision@K, MRR ou NDCG (1,5).	Livro: Cap. 10 Lab: Lab 10
	4.c	1,5	Busca Híbrida e Governança: Combina busca vetorial densa com busca lexical (BM25) e filtros de metadados estruturados (vigência/data), assegurando que normas revogadas não superem normas vigentes (1,5).	Livro: Cap. 10 Lab: Lab 10
Q5	5.a	2,0	Contestação do Maior Escore e Desenho da Abstenção: Contesta a proposta simplista: em perguntas fora de escopo ou ambíguas, o maior escore pode ter baixa confiança e induzir alucinação (1,0); projeta política formal com duplo limiar: emite resposta se escore máximo \(s_1 \ge \tau_1\) E margem \(\Delta = s_1 - s_2 \ge \tau_2\), abstendo-se ou encaminhando a humano no caso contrário (1,0).	Livro: Cap. 10 (P2) Lab: Lab 10 (P2)
	5.b	2,0	Conflito de Fontes e Validação Prévia: Estabelece regras de proveniência e hierarquia temporal para normas conflitantes (1,0); valida experimentalmente com consultas respondíveis e intencionalmente não respondíveis/ambíguas, mapeando cobertura vs. taxa de erro (1,0).	Livro: Cap. 10 (P2) Lab: Lab 10 (P2)
	5.c	1,0	Telemetria e Impacto Operacional: Monitora a taxa contínua de abstenção em produção; aumentos na taxa alertam sobre mudanças nas dúvidas dos usuários (query drift) ou lacunas do acervo após alterações normativas, direcionando curadoria (1,0).	Livro: Cap. 10 (P2) Lab: Lab 10 (P2)

5. Especificação Canônica do Template de Transcrição (.qmd) e Legibilidade

O arquivo de template formal e documentado está disponível em /avaliacoes/provas/prova-1/transcricoes/TEMPLATE_TRANSCRICAO.qmd.

5.1 YAML Frontmatter e Metadados de Qualidade de Leitura

Todo arquivo .md de transcrição inicia obrigatoriamente com o bloco de metadados:

---
discente: "Nome Completo"
matricula: "20233004066"
arquivo_scanner: "Nome Completo - 20233004066.pdf"
prova: "Prova Escrita 1 — Modelo A"
semestre: "2026-2"
data_aplicacao: "2026-10-19"
turma: "turma1"
status_presenca: "presente"
total_paginas: 6
qualidade_leitura:
  legibilidade_global: "92%"
  classificacao: "Alta Legibilidade (>= 90%)"
  tipo_escrita: "Caneta esferográfica azul, cursiva legível"
  observacoes: "Texto claro e bem delimitado nas pautas; rasuras pontuais feitas com traço horizontal limpo."
---

6. Workflow de Execução em Lotes (Batches) com Scripts Auxiliares

Para processar com eficiência o reconhecimento multimodal via LLMs de alta fidelidade sem esgotar contextos nem degradar a atenção em transcrições extensas, os 33 alunos estão organizados em 6 lotes gerenciados pelo script gerenciar_correcoes.py:

Lote 1 (IDs 01 a 06): Arthur Baltar, Augusto Rocha, Bianca Barros, Carlos Matheus, Cássio Freire, Daiana Maria
Lote 2 (IDs 07 a 12): Daniel Caetano, Danilo Fróis, Danyel Martins, Eliel Vitor, Emanuel Carlos, Erick Reis
Lote 3 (IDs 13 a 18): Esther Cristina, Felipe Cassemiro, Fernanda Laylla, Gabriel Batistuta, Gabriel Duarte, Gustavo Alexandre
Lote 4 (IDs 19 a 24): Iviner Cássio, João Carlos, João Pedro, Leonardo Soares, Lizandra Abelha, Lucas Barros
Lote 5 (IDs 25 a 29): Luiz Henrique, Marcela Freitas, Mariana Luciano, Matheus Benevenuto, Matheus Henrique
Lote 6 (IDs 30 a 33): Pedro Augusto, Thiago Victor, Victor Gabriel, Vitor Mateus

Comandos de Operação via CLI:

# 1. Consultar a tabela consolidada de status
python3 gerenciar_correcoes.py --status

# 2. Visualizar os alunos agrupados em cada lote
python3 gerenciar_correcoes.py --lotes

# 3. Extrair as páginas em imagens PNG (150 DPI) para um lote específico
python3 gerenciar_correcoes.py --extrair --lote 1

# 4. Extrair páginas de um aluno individual
python3 gerenciar_correcoes.py --extrair --aluno 30

# 5. Exportar a planilha de notas finais consolidada em CSV
python3 gerenciar_correcoes.py --exportar-csv

7. Tabela de Auditoria e Acompanhamento de Correção

A tabela abaixo rastreia a evolução das transcrições (.md), laudos (.html), índices de legibilidade e notas de cada discente:

#	Discente	Matrícula	Turma	Legib.	Q1	Q2	Q3	Q4	Q5	Nota	Transcrição	Laudo
01	Arthur Baltar Eler	`20223004240`	Turma 2	88%	3,9	3,1	2,4	3,4	3,7	16,5	Transcrição	Laudo HTML
02	Augusto Rocha Araújo	`20223006764`	Turma 2	94%	4,8	2,4	2,3	1,4	0,0	10,9	Transcrição	Laudo HTML
03	Bianca Barros	—	Turma 2	92%	3,2	0,8	2,1	2,0	0,0	8,1	Transcrição	Laudo HTML
04	Carlos Matheus de Almeida Eufrazio	`20233007620`	Turma 1	87%	3,4	3,4	3,2	2,9	3,7	16,6	Transcrição	Laudo HTML
05	Cássio Freire	`20233003971`	Turma 1	93%	4,0	3,3	2,5	1,6	0,0	11,4	Transcrição	Laudo HTML
06	Daiana Maria de Oliveira Vieira	`20233004182`	Turma 2	86%	5,0	4,8	4,9	4,8	4,9	24,4	Transcrição	Laudo HTML
07	Daniel Caetano de Assis	`20233003990`	Turma 2	95%	5,0	4,9	5,0	5,0	5,0	24,9	Transcrição	Laudo HTML
08	Danilo Fróis Kaizer	`20233004010`	Turma 1	92%	4,6	4,1	3,2	3,5	2,6	18,0	Transcrição	Laudo HTML
09	Danyel Martins Zini Silva	`20243014020`	Turma 2	82%	2,8	2,3	0,6	1,5	2,0	9,2	Transcrição	Laudo HTML
10	Eliel Vitor Almeida	`20213005807`	Turma 1	85%	2,3	1,2	0,7	0,0	0,6	4,8	Transcrição	Laudo HTML
11	Emanuel Carlos de Oliveira Dias	`20233004020`	Turma 1	94%	5,0	4,8	4,8	4,8	5,0	24,4	Transcrição	Laudo HTML
12	Erick Reis Miranda	`20223004429`	Turma 2	85%	1,3	1,3	1,6	0,4	0,0	4,6	Transcrição	Laudo HTML
13	Esther Cristina Silva Magalhães	`20203011060`	Turma 1	92%	2,3	2,8	1,4	2,7	0,0	9,2	Transcrição	Laudo HTML
14	Felipe Cassemiro de Paiva	`20213003704`	Turma 2	88%	3,2	2,5	3,3	2,7	2,1	13,8	Transcrição	Laudo HTML
15	Fernanda Laylla Almeida	`20233008299`	Turma 2	93%	4,6	2,2	3,4	4,4	4,5	19,1	Transcrição	Laudo HTML
16	Gabriel Batistuta Anicio Martins Silva	`20213006395`	Turma 1	75%	2,0	1,3	1,1	0,0	0,0	4,4	Transcrição	Laudo HTML
17	Gabriel Duarte Campos Amorim	`20223007378`	Turma 2	86%	3,2	2,7	3,1	3,5	1,0	13,5	Transcrição	Laudo HTML
18	Gustavo Alexandre Silva	`20233004100`	Turma 1	91%	4,7	3,6	4,1	4,4	4,2	21,0	Transcrição	Laudo HTML
19	Iviner Cássio de Matos Santos	`20233004370`	Turma 1	94%	4,7	4,0	4,3	4,5	4,8	22,3	Transcrição	Laudo HTML
20	João Carlos Ferreira Martins	`20213003750`	Turma 2	92%	4,3	3,0	3,0	3,9	3,5	17,7	Transcrição	Laudo HTML
21	João Pedro Silva Martins	`20233009035`	Turma 1	90%	4,8	4,8	5,0	4,6	5,0	24,2	Transcrição	Laudo HTML
22	Leonardo Soares de Almeida	`20233003935`	Turma 1	88%	4,6	4,0	4,1	0,0	0,0	12,7	Transcrição	Laudo HTML
23	Lizandra Abelha Coelho Barbosa	`20223004474`	Turma 2	91%	4,6	3,9	4,2	4,0	4,2	20,9	Transcrição	Laudo HTML
24	Lucas Barros Meckler	`20233003953`	Turma 1	95%	5,0	4,8	5,0	5,0	5,0	24,8	Transcrição	Laudo HTML
25	Luiz Henrique Santos Dias	`20233004280`	Turma 1	93%	3,2	2,4	2,1	2,1	2,8	12,6	Transcrição	Laudo HTML
26	Marcela Freitas Mariano	`20233003980`	Turma 2	93%	2,8	2,6	2,1	2,7	0,0	10,2	Transcrição	Laudo HTML
27	Mariana Luciano Moraes	`20233007710`	Turma 2	95%	4,9	4,9	5,0	4,7	4,7	24,2	Transcrição	Laudo HTML
28	Matheus Benevenuto Ferreira	`20223004509`	Turma 2	89%	3,4	0,6	1,6	1,3	0,0	6,9	Transcrição	Laudo HTML
29	Matheus Henrique Almeida Silva	`20233004039`	Turma 2	94%	5,0	4,5	4,6	4,8	5,0	23,9	Transcrição	Laudo HTML
30	Pedro Augusto Pinto de Almeida	`20233004066`	Turma 1	92%	3,4	2,5	1,8	2,7	0,2	10,6	Transcrição	Laudo HTML
31	Thiago Victor de Jesus Moura	`20233004511`	Turma 1	89%	4,6	3,1	2,6	2,8	2,9	16,0	Transcrição	Laudo HTML
32	Victor Gabriel Magione Soares	`20203004575`	Turma 2	84%	2,0	1,4	2,3	2,0	2,8	10,5	Transcrição	Laudo HTML
33	Vitor Mateus Morais Silva	`20213005905`	Turma 2	88%	0,8	0,8	1,7	0,0	0,7	4,0	Transcrição	Laudo HTML

8. Estatísticas e Desempenho Global da Turma

Com 100% dos 33 cadernos de prova corrigidos e transcritos, consolidam-se as seguintes métricas diagnósticas de aproveitamento:

Métrica Avaliada	Valor Consolidado	Observação Pedagógica
Total de Discentes Avaliados	33	100% de presença (Turmas 1 e 2)
Nota Média da Turma	15,04 / 25,0	Aproveitamento médio de 60,2%
Mediana da Turma	13,80 / 25,0	Ponto de equilíbrio central da distribuição
Desvio Padrão	± 6,88	Ampla dispersão entre alunos com domínio teórico pleno e com lacunas conceituais
Maior Nota Registrada	24,9 / 25,0	Daniel Caetano de Assis (Turma 2) — 99,6% de aproveitamento
Menor Nota Registrada	4,0 / 25,0	Vitor Mateus Morais Silva (Turma 2) — 16,0% de aproveitamento
Taxa de Aproveitamento Satisfatório (≥ 15,0)	16 / 33 (48,5%)	Alunos que atingiram ou superaram a nota de corte (60%)
Taxa de Alunos em Zona de Atenção (< 15,0)	17 / 33 (51,5%)	Foco das sessões de nivelamento e monitoria no Módulo 2

Distribuição por Faixa de Pontuação:

Excelente (20,0 a 25,0 pontos): 10 alunos (30,3%) — Domínio aprofundado dos 5 tópicos (curvas de aprendizado, transfer learning, calibração, RAG/IR e abstenção).
Bom (15,0 a 19,9 pontos): 6 alunos (18,2%) — Respostas sólidas na maioria dos quesitos com pequenas imprecisões nas fórmulas de IR ou calibração quantitativa.
Regular (10,0 a 14,9 pontos): 9 alunos (27,3%) — Compreensão intuitiva dos conceitos, porém com respostas incompletas ou ausência de termos técnicos formais.
Insuficiente (< 10,0 pontos): 8 alunos (24,2%) — Questões deixadas em branco (notadamente Q4 e Q5) e confusão entre métricas clínicas básicas.

De volta ao topo