Trilha

●──01 Problema

O projeto pedagógico de um curso envelhece mais rápido do que o mercado muda, e a coordenação não tem como medir o quanto ele cobre das profissões atuais. O Trilha confronta o PPC com as competências de cada profissão-alvo, aponta lacunas, mede a idade das bibliografias e justifica cada conclusão com evidências.

●──02 Restrições

• Nenhuma recomendação pode inventar códigos de disciplina ou violar pré-requisitos.
• Histórico escolar é dado pessoal.
• Avaliadores precisam conseguir reproduzir o resultado.
• O projeto ficou parado 16 dias e foi replanejado a 4 dias da submissão.

●──03 Decisões

1. ESCO como vocabulário canônico, com uma Extensão IA própria

   PPC e mercado precisam falar a mesma língua, e a ESCO atrasa em competências de IA generativa.

   ADR 0001 ↗

2. Ranking determinístico; o LLM só justifica, citando evidências

   Elimina alucinação de códigos e torna cada resultado auditável. Sem LLM, a justificativa vira a lista de evidências.

   ADR 0002 ↗

3. Histórico lido localmente, sem dados pessoais

   O parser descarta nome, matrícula, notas e afins no momento da leitura; nada pessoal vai para o LLM.

   ADR 0003 ↗

4. Corte de escopo: análise pré-calculada, sem banco

   311 competências comparadas com as ementas de 69 componentes cabem num arquivo versionado; o resultado fica reprodutível no git e a demonstração sobe em segundos.

   ADR 0010 ↗

●──04 Resultado

Os dois fluxos funcionando. Coordenação: lacunas por profissão-alvo, lente de IA, idade das bibliografias e painel "Por que isto?" com justificativa por RAG. Discente: envio do histórico do SIGAA, escolha de profissões-alvo e recomendação de optativas que respeita pré-requisitos, com suporte a várias matrizes curriculares. Validação dos mapeamentos com dois avaliadores: concordância de 0,76 (kappa de Cohen), precisão de 79% ao apontar uma competência coberta e de 57% ao apontar uma lacuna; a limitação das ementas curtas está documentada. Submetido ao prêmio.