schoolmock-br 2.0.0

Gerador procedural de dados educacionais brasileiros sintéticos (LGPD-safe) com camada de verificação determinística.

SchoolMock-BR 🇧🇷

Gerador procedural de dados educacionais brasileiros sintéticos — realistas, mas fictícios — com camada de verificação determinística. Privacidade por construção (LGPD-safe).

🎯 Objetivo

O SchoolMock-BR resolve o dilema de testar softwares educacionais administrativos sem processar dados de estudantes reais. A ferramenta gera perfis de alunos, turmas e escolas que são estruturalmente válidos (CPFs com dígito verificador correto, códigos INEP consistentes com a UF, idade coerente com a série) mas inteiramente fictícios — não correspondem a nenhuma pessoa real.

É um gerador procedural por regras de domínio (no espírito do Synthea para a saúde): não aprende de dados reais, portanto não há dado sensível a vazar.

✨ Destaques do v2

• Camada de verificação (C1–C5) — um verificador determinístico que audita cada registro: CPF válido, INEP↔UF consistente, idade↔série coerente, campos obrigatórios e unicidade no lote.
• Reprodutibilidade total — seed propagada para random e Faker; o mesmo dataset, byte a byte.
• Construtor de dataset relacional — escola↔turma↔aluno com integridade referencial e export JSON/CSV.
• CLI — gere, verifique e exporte sem escrever Python.
• Retrocompatível — a API do v1 (SchoolMockBR.gerar_aluno/gerar_escola/gerar_turma_lote) continua válida.

📦 Instalação

Requer Python 3.10+.

pip install schoolmock-br        # quando publicado no PyPI
# ou, a partir do código-fonte:
git clone https://github.com/RandMelville/schoolmock-br.git
cd schoolmock-br
pip install -e ".[dev]"

🚀 Uso rápido

Como biblioteca

from schoolmock_br import Gerador, Verificador

gen = Gerador(seed=42)                      # reprodutível
aluno = gen.gerar_aluno("8º Ano")
escola = gen.gerar_escola()
turma = gen.gerar_turma_lote(qtd=30, serie="5º Ano")

verif = Verificador()
relatorio = verif.verificar_lote_alunos(turma)
print(relatorio.resumo())                   # conformidade C1–C5

A API estática do v1 segue funcionando (use SchoolMockBR.semear(seed) para reprodutibilidade):

from schoolmock_br import SchoolMockBR
SchoolMockBR.semear(42)
aluno = SchoolMockBR.gerar_aluno("8º Ano")

Pela linha de comando

schoolmock gerar --tipo aluno --n 30 --serie "5º Ano" --seed 42 --formato csv --out turma.csv
schoolmock verificar turma.json --tipo aluno
schoolmock dataset --escolas 50 --seed 42 --formato csv --out ./dataset
schoolmock benchmark --seed 42            # conformidade v1 (ingênuo) vs v2

🔍 A camada de verificação (critérios C1–C5)

Critério	Verifica
C1	CPF válido (mód-11) e não pertencente a sequências conhecidas-inválidas
C2	Código INEP consistente com a UF (2 primeiros dígitos = código IBGE da UF)
C3	Idade coerente com a série (data de nascimento ↔ série, idade adequada)
C4	Campos obrigatórios presentes e não vazios
C5	Unicidade de identificadores no lote (cpf, matricula, codigo_inep)

O verificador é determinístico: mesma entrada e mesma data_referencia → mesmo veredito. Rodá-lo sobre o gerador ingênuo (v1) e sobre o v2 produz o contraste de conformidade (schoolmock benchmark): o v1 gera dezenas de % de registros não-conformes (idade↔série, INEP↔UF); o v2 garante 100% de conformidade por construção.

🗂️ Construtor de dataset

from schoolmock_br.dataset import construir_dataset

ds = construir_dataset(seed=42, n_escolas=50)
ds.export_csv("dataset/")        # escolas.csv, turmas.csv, alunos.csv, metadata.json

Cada registro carrega o campo fonte (marcação de origem sintética) e os metadados incluem seed, contagens e o resumo de conformidade. Veja o DATASHEET.md para a documentação completa no padrão Datasheets for Datasets (Gebru et al., 2018).

⚖️ Enquadramento legal (LGPD)

Os registros gerados são dados sintéticos: produzidos proceduralmente, não se referem a pessoa natural identificada ou identificável. Pela definição de dado pessoal da LGPD (Lei nº 13.709/2018, art. 5º, I), dados que não se vinculam a uma pessoa real não constituem dado pessoal — logo, o regime de tratamento da LGPD (incluindo o consentimento do art. 14, relativo a crianças e adolescentes) não incide sobre os registros sintéticos em si.

O valor da ferramenta é justamente apoiar os princípios de necessidade e minimização (art. 6º) e a privacidade desde a concepção (privacy by design): ao testar sistemas educacionais com dados fictícios em vez de dados reais de estudantes, evita-se o tratamento de dados pessoais de menores onde ele não é necessário.

⚠️ Não use o SchoolMock-BR para "contornar" o consentimento sobre dados reais. A premissa é não haver dado real envolvido. Se você cruzar, enriquecer ou vincular esses registros a dados de pessoas reais, o resultado passa a ser dado pessoal e a LGPD volta a incidir.

⚠️ Limitações honestas

• Fidelidade estatística. O gerador garante validade estrutural, não reproduz as distribuições reais de uma população (proporções por rede/UF/série). Calibração contra marginais públicas do Censo Escolar é um trabalho futuro (F7 no roadmap).
• Risco residual de colisão de CPF. Um CPF sintético, embora fictício, pode por coincidência coincidir com o de uma pessoa real (o espaço de CPFs válidos é finito e não há faixa oficial de teste). Não use os identificadores para nenhuma finalidade que pressuponha titularidade real. O modo opcional --modo-teste (F3) fixa um prefixo sentinela (999…) nos CPFs, tornando-os reconhecíveis como sintéticos (cpf_marcado_para_teste()) — mitigação por detectabilidade, não garantia de não-colisão.
• Escopo administrativo. A ferramenta foi pensada para testes de software educacional administrativo (cadastros, carga, conformidade), não como corpus de treinamento de modelos.

🧪 Desenvolvimento

pip install -e ".[dev]"
pytest            # suíte de testes (a camada de verificação é parte dela)
ruff check src tests

📚 Como citar

Se este trabalho for útil em sua pesquisa, cite via o DOI do Zenodo (10.5281/zenodo.18343467) ou use o arquivo CITATION.cff. O v1 está registrado sob o ISBN 978-65-01-89921-3.

📄 Licença

Código sob licença MIT. O dataset sintético publicado é distribuído sob CC-BY 4.0.

---

Autor: Randerson Oliveira Melville Rebouças (PPGIE/UFRGS).