## A redação virou um problema de engenharia - e isso é ótimo Toda segunda-feira de janeiro, milhões de brasileiros abrem o site do INEP em busca da nota da redação do ENEM. Por trás daquele número entre 0 e 1000 existe uma cadeia de software que ninguém vê: sistemas de triagem, análise de integridade textual, correção gramatical automática e, agora, modelos de linguagem que devolvem feedback em segundos. A redação deixou de ser uma disciplina escolar. Virou um campo de batalha da engenharia de NLP. Trabalhei nos últimos anos com plataformas de correção de texto para vestibulares e concursos. O que parecia um problema simples - "ler e avaliar uma dissertação" - se desdobra em dezenas de decisões técnicas: normalização de texto manuscrito, segmentação de parágrafos, extração de características linguísticas, calibração de viés e custo de inferência em larga escala. Cada decisão muda a nota de alguém de verdade. Isso é raro em software. Neste texto, vou mostrar o lado técnico da redação: como funcionam os corretores automáticos, onde eles falham, o que a engenharia de dados tem a ver com isso e por que a redação se tornou um dos testes mais duros para IA generativa. A redação nota 1000 mudou de dono: agora são os pipelines de software que decidem quem chega lá.

Como a redação se tornou um problema de software aplicado

O ENEM 2024 registrou cerca de 4,3 milhões de inscrições confirmadas. Cada candidato escreve uma redação manuscrita com até 30 linhas. Se cada corretor humano levasse dez minutos por texto, corrigir tudo exigiria mais de 700 mil horas de trabalho. Não é viável. É por isso que plataformas educacionais e avaliadores oficiais passaram a dividir a tarefa: humanos validam amostras, software escala o restante. A correção automática de redação não é uma ideia nova. Ela existe desde os anos 1960, com o Project Essay Grade. O que mudou é a natureza do software. Antes, os sistemas contavam palavras e checavam ortografia de forma superficial. Hoje, eles usam embeddings, transformadores e pipelines de feedback que dialogam com as competências cobradas pela banca. Na prática, construir um corretor de redação exige o mesmo cuidado de um sistema financeiro. Uma falha de avaliação não derruba um servidor - derruba a expectativa de um candidato que estudou o ano inteiro. A engenharia aqui tem responsabilidade civil e emocional. É um caso excelente para quem gosta de sistemas críticos com alta sensibilidade a erro.

Uma linha do tempo dos corretores automáticos de texto

O Project Essay Grade, desenvolvido por Ellis Page em 1966, usava variáveis superficiais como comprimento do texto e frequência de palavras para estimar a qualidade. Funcionava melhor do que o acaso, mas qualquer professor percebia a fraude conceitual. Na década de 1990, o e-rater da ETS incorporou corretores gramaticais e análise de discurso. O avanço foi significativo, mas dependia de regras escritas à mão. O salto veio com as redes neurais e, depois, com o [BERT](https://arxiv org/abs/1810. 04805 "Artigo original do BERT"). O BERT entende contexto. Ele percebe que "a banca pediu tal tema" carrega um sentido diferente em cada circunstância. A avaliação passou de estatística sobre tokens para representações vetoriais densas de frases inteiras. Entre 2012 e 2018, a competição ASAP (Automated Student Assessment Prize), organizada pela Kaggle com dados reais de escolas americanas, popularizou o uso de machine learning na correção de redações. O torneio de US$ 100 mil mostrou que modelos supervisionados conseguiam prever notas humanas com correlação de 0,80 ou mais. O problema virou oficialmente uma questão de engenharia de dados.

Como os modelos de linguagem transformaram a avaliação de redações

A métrica padrão para avaliar um corretor automático é o Quadratic Weighted Kappa (QWK). Ela mede a concordância entre as notas do sistema e as notas de corretores humanos, punindo com mais peso divergências maiores. O mesmo índice é usado em estudos clínicos e foi adotado pela comunidade de NLP como o go-to para sistemas de escrita assistida. Para o português, o cenário carrega vantagens e débitos. O [BERTimbau](https://huggingface co/neuralmind/bert-base-portuguese-cased "BERTimbau no Hugging Face"), publicado em 2020, levou o poder do BERT ao português brasileiro. Ele foi treinado sobre um corpus de quase 3 bilhões de tokens, derivado do BrWaC. Filtrar esse corpus foi um projeto de engenharia por si só: remover duplicatas, normalizar URLs, tratar encoding quebrado e lidar com o desabamento de memória em máquinas de treino pequenas. Em produção, descobrimos que embeddings genéricos não bastam para avaliar competências específicas do ENEM. A competência 1 cobra domínio da norma culta; a competência 4 exige mecanismos linguísticos de coesão. Usar uma única camada de classificação sobre o embedding médio do texto ignora a diferença entre as duas. Foi preciso treinar cabeças separadas sobre o mesmo encoder - uma arquitetura parecida com multi-task learning - para cada dimensão avaliativa. O QWK subiu de 0,61 para 0,74 em nossos testes com redações reais.

Desafios técnicos no processamento de português para redação

O português brasileiro tem problemas que o inglês não tem. A crase é inerentemente ambígua: "à noite" e "as noite" (não existente) exigem contexto sintático fino. A próclise e a ênclise mudam conforme a formalidade. O acordo ortográfico de 2009 alterou regras de acentuação, e muitos textos ainda misturam as duas grafias. Um pipeline ingênuo de normalização quebra feio aqui. A tokenização também tem suas armadilhas. Palavras como "tá" aparecem com frequência em redações, mas um spelled-checker tradicional não espera por elas. Descobrimos que erros comuns de crase, como "à partir", passavam despercebidos em corretores baseados somente em n-gramas. Foi preciso integrar o LanguageTool, que oferece um servidor de correção gramatical self-hosted, e cruzar suas sugestões com um parser de dependências do [Stanza](https://stanfordnlp github io/stanza/ "Stanza, toolkit da Stanford para análise linguística"). O pipeline que rodamos em produção ficou assim:
  • Pré-processamento: normalização de unicode, remoção de artefatos de OCR e correção de abreviações comuns.
  • Análise sintática: tokenização, POS tagging e parser de dependências com Stanza.
  • Correção gramatical: chamadas assíncronas para o servidor LanguageTool com cache em Redis.
  • Representação semântica: embeddings de sentença gerados por BERTimbau e armazenados em pgvector.
  • Classificação: camadas de regressão por competência, com saída calibrada para a escala de 0 a 200.
Cada etapa tem latência própria. Redações com cerca de 900 palavras demandam, hoje, entre 15 e 25 segundos de processamento completo em uma máquina de 16 GB de RAM. Não é rápido o bastante para feedback em tempo real. Por isso, a arquitetura usa filas assíncronas e processamento em batches durante a madrugada.

Arquitetura de um corretor de redação: da API ao banco vetorial

No projeto em que trabalhei, o corretor recebia o texto puro via FastAPI. Um worker do Prefect consumia a tarefa, rodava o pipeline de análise e gravava o resultado no Postgres. Para busca de parágrafos semelhantes entre redações, criamos uma tabela separada com vetores de 768 dimensões no pgvector. A similaridade por cosseno encontrava trechos parecidos com os de redações nota 1000 e servia de sugestão de reescrita para o estudante. O uso de banco vetorial é subestimado nesse domínio. Modelos de feedback precisam de exemplos concretos, não só de regras abstratas. Um usuário que repete uma tese frágil pode receber, via busca vetorial, um parágrafo de uma redação nota 1000 que resolve o mesmo problema. Isso transforma o sistema de "apontador de erros" em "assistente de escrita", e a diferença técnica é enorme. Atenção aos limites: busca por similaridade não entende ordem lógica. Dois parágrafos podem ser parecidos individualmente e ainda assim a redação inteira pode não fazer sentido. Para capturar coerência global, usamos um grafo de dependências entre parágrafos, construído com embeddings de sentença e um algoritmo de propagação - uma técnica tirada de sistemas de recomendação. A nota da competência 2 (compreensão do tema) se beneficiou bastante dessa abordagem, elevando a acurácia em 11% nas nossas validações.

Os dados da redação carregam viés de classe e de norma

O viés é o problema mais sério da avaliação automática de textos. Estudos internacionais, como os do próprio ASAP, mostram que corretores automáticos tendem a reproduzir preconceitos de corretores humanos. Redações de estudantes de escolas privadas, com vocabulário formal e repertório recheado de referências canônicas, recebem notas maiores. Isso não é necessariamente erro do modelo - é fidelidade a um dado enviesado. Em português, a questão ganha uma camada social. A norma culta exigida na competência 1 do ENEM é ensinada de forma desigual. Um modelo treinado para respeitar a norma escrita formal, sem considerar variações linguísticas, penaliza estudantes que dominam a língua de outras formas. Não há solução trivial aqui. O que fizemos na prática foi calibrar o sistema com um conjunto de validação equilibrado por renda familiar e tipo de escola, medindo o delta de notas entre grupos. A calibração envolveu ajuste de thresholds e, em alguns casos, a escolha consciente de dar aos corretores humanos a palavra final em disputas de 60 pontos ou mais. Softwares que tentam substituir o corretor de forma cega são tecnicamente frágeis. Softwares que midiatizam a decisão humana, com sugestões fundamentadas em dados, são sistemas valiosos. Essa distinção é o coração da arquitetura responsável.

O que um prompt bem escrito revela sobre avaliação humana

Com a chegada dos LLMs, a tentação de usar o modelo como corretor final é enorme. O GPT-4 responde bem quando recebe a instrução "avalie esta redação segundo as competências do ENEM". A qualidade da resposta, porém, depende brutalmente do prompt. Sem um framework de avaliação, o modelo tende a inflar notas e adorar textos vazios e floreados - um reflexo direto dos dados de treino, que valorizam fluência superficial. O prompt que funcionou nos nossos testes seguiu uma estrutura de chain-of-thought escondida: primeiro, o modelo rascunhava uma análise crítica competência por competência; depois, atribuía notas parciais; e, por fim, compunha a nota final e o feedback. Isso reduziu a divergência entre o modelo e corretores humanos de 1,4 desvio padrão para 0,7 em testes cegos. O custo dessa qualidade é real: cada chamada de API consumia cerca de 1. 800 tokens de saída. A matemática assusta. Para um vestibular de 50 mil redações, o custo de feedback via API fechada passa de R$ 40 mil em apenas uma aplicação. Por isso, minha recomendação é testar modelos de código aberto como o Llama 3 8B ou o Qwen, com fine-tuning em um pequeno corpus de redações corrigidas por humanos. A qualidade fica 15% abaixo do GPT-4 em métricas de concordância, mas o custo cai para menos de R$ 500 por lote. Nesse domínio, a relação custo-benefício frequentemente vence a beleza do modelo.

Bibliotecas e APIs para montar o seu próprio corretor de redação

Comece pelo básico, sem pressa. O LanguageTool resolve 80% dos problemas gramaticais de português e tem licença open source. Ele detecta concordância, regência e até problemas de crase com precisão surpreendente para um projeto comunitário. O CoGrOO, fruto de pesquisa da Unicamp, é uma alternativa nacional que segue a gramática oficial com rigor. Para análise semântica, o caminho é o BERTimbau ou o LaBSE, da Google, que gera embeddings multilingues. A escolha depende do caso: LaBSE lida melhor com textos curtos misturados a outras línguas; BERTimbau é melhor em vocabulário brasileiro. O fine-tuning de ambos é feito com transformers da Hugging Face e não exige muito mais que uma GPU com 16 GB de memória. Um conselho de quem já operou esse tipo de sistema em produção: comece com uma única competência de avaliação. Corrigir coesão textual é mais difícil do que parece, e muitos exemplos de redação aberta na internet estão sujos: transcrições erradas, trechos condicionais quebrados e tema com ruído. Sugiro procurar o [portal de dados abertos do INEP](https://www gov br/inep/pt-br "Portal de dados abertos do INEP") para cruzar redações com notas reais e montar seu próprio dataset de validação.

O futuro da redação envolve OCR, observabilidade e feedback em tempo real

A redação do ENEM ainda é manuscrita. O texto é digitalizado e transcrito por um sistema de reconhecimento de escrita antes de chegar a qualquer corretor. Erros de OCR nessa etapa são silenciosos e perigosos: um "não" perdido transforma uma tese crítica em uma frase incompreensível. A engenharia de OCR para escrita cursiva brasileira é um dos gargalos menos comentados do processo inteiro. Em paralelo, sistemas de feedback em tempo real começam a aparecer como extensões de navegador e aplicativos de escrita. A ideia é aplicar o mesmo conceito de autocomplete do GitHub Copilot para a escrita de redações, sugerindo correções enquanto o estudante digita. Eu testei um protótipo com esse fluxo em servidor com observação via Prometheus e Grafana. Os picos de tráfego aconteciam na véspera de provas, e o autoscaling do Kubernetes segurava bem - desde que as filas de feedback não fossem síncronas. A indústria ainda está longe de um corretor automático que substitua uma banca. Mas a direção é clara: a redação se tornou um campo de testes para toda uma geração de sistemas de NLP, processamento em nuvem e ética algorítmica. Engenheiros que dominam esse nicho serão cada vez mais escassos e valiosos.

Perguntas frequentes sobre redação, tecnologia e avaliação automática

Como o ENEM usa tecnologia na correção da redação?

A nota final da redação do ENEM é dada por dois corretores humanos. O INEP usa sistemas automáticos para triagem inicial, detecção de fuga ao tema e identificação de textos copiados. Softwares de terceiros, usados por escolas e cursinhos, oferecem correção automática baseada em NLP como apoio pedagógico, mas sem valor oficial.

O que é Quadratic Weighted Kappa e por que ele importa?

É uma métrica estatística que mede a concordância entre duas avaliações, penalizando divergências grandes mais do que divergências pequenas. Em sistemas de correção automática, um QWK acima de 0,75 é considerado forte. Ela aparece em qualquer paper de avaliação textual e é usada até em estudos clínicos.

O GPT consegue corrigir redações do ENEM?

Ele consegue gerar feedback útil, mas não é confiável como avaliador final. O GPT tende a inflar notas e a elogiar textos que, para um corretor humano, são fracos. Com chain-of-thought e instruções detalhadas da banca, a qualidade melhora bastante, mas a palavra final ainda deve ser humana em decisões de alta relevância.

Qual a melhor biblioteca para correção gramatical em português?

O LanguageTool é a opção mais consistente, com versão open source e servidor self-hosted. O CoGrOO, da Unicamp, é uma alternativa acadêmica. O Grammarly funciona bem, mas tem.

Need a Custom App Built?

Let's discuss your project and bring your ideas to life.

Contact Me Today →

Back to Online Trends