Utilizei o Google AI Studio
Primeiro, pedi para a IA analisar os tipos de dados do arquivo bruto. Ela identificou as strings e os floats, mas também já apontou os erros de acentuação (como no nome da "Natália" e do "João") e aquele excesso de linhas vazias que veio no CSV.
Depois, solicitei a limpeza (data cleaning). A IA removeu as linhas inúteis, corrigiu os nomes e já calculou automaticamente a Nota Final de cada aluno, que era o que estava faltando.
Tabela de Notas Finalizada
Aluno Prova 1 Prova 2 Prova 3 Prova 4 Nota Final
Marcelo Barbosa 6.5 8.3 9.2 7.2 7.80
Rafaela Santos 8.3 4.5 7.5 4.5 6.20
Ronaldo Santos 7.0 2.1 8.9 8.9 6.73
Lucas Gabriel Ribeiro 5.9 9.8 6.4 6.1 7.05
Luana da Silva 9.2 5.6 3.1 9.8 6.93
Mariana Pereira 4.7 1.2 5.8 5.4 4.28
Maria Eduarda Farias 8.8 7.7 4.2 10.0 7.68
Fernando Henrique Silva 6.1 6.9 9.7 2.3 6.25
Pedro Henrique Souza 7.2 3.4 8.0 6.7 6.33
Ana Paula Oliveira 0.0 0.5 7.2 8.0 3.93
Natália Guimarães 5.5 4.8 5.1 3.6 4.75
João Vitor Ferreira 8.0 8.9 2.8 0.0 4.93
Rodrigo Almeida 7.9 2.2 6.9 6.9 5.98
Gustavo Carvalho 6.4 9.1 7.6 4.3 6.85
Leticia Costa 9.9 1.0 9.4 7.8 7.03
Aline da Rocha 8.5 7.2 5.7 5.0 6.60
Marcos Vinicius Lima 6.8 3.3 4.5 8.3 5.73
Carla Cristina Castro 0.0 6.0 5.1 1.1 3.05
Isabela da Costa 5.2 5.1 6.3 9.1 6.43
Bruna Oliveira 9.0 2.5 9.9 7.6 7.25
Análise Estatística da Turma
Para fechar o exercício, pedi para a IA gerar um diagnóstico sobre o aprendizado geral:
Média Geral da Turma: Ficou em 6,09. Um desempenho regular, mas muito próximo da média de corte.
Identificação de Gargalos: Analisando prova por prova, a IA detectou que a Prova 2 foi a mais crítica, com a menor média (4,89). Já a Prova 3 teve o melhor desempenho (6,84).
Distribuição: A turma é bem heterogênea. Exatos 25% dos alunos (5 pessoas) estão com ótimo desempenho (acima de 7.0), mas outros 25% estão em situação de risco (abaixo de 5.0).
Usar a IA foi muito útil para não perder tempo com a limpeza manual e focar direto na análise desses dados!