Resposta rápida — Para escolher uma plataforma de correção por IA, seis critérios importam mais que o ganho de tempo prometido: calibração medida contra corretores humanos em textos da própria instituição, transparência da rubrica usada, privacidade dos textos dos alunos e uso ou não para treinamento de modelo, comportamento em casos atípicos, fluxo de revisão humana com registro, e verificação de viés. Nenhuma nota deve ser lançada sem revisão humana.
Entre todas as categorias de IA aplicadas à educação, a correção automática de provas e redações costuma ser a primeira que uma instituição considera. A razão é compreensível: o ganho de tempo é imediato e fácil de visualizar. Correção de produção textual é a tarefa que mais consome horas de professor, e é também a que mais atrasa a devolutiva ao estudante — um feedback que chega três semanas depois já perdeu boa parte do vínculo com o esforço que o motivou.
Mas é também a categoria em que a diferença entre uma ferramenta bem escolhida e uma mal escolhida aparece rápido, porque o produto dela — uma nota, um comentário — chega direto ao aluno e à família. Um erro em um chatbot de secretaria se corrige com um pedido de desculpas. Um erro em uma nota se transforma em recurso, reunião e desgaste de confiança.
Antes de comparar plataformas: dois produtos diferentes
A primeira distinção a fazer é entre dois usos que o mercado costuma apresentar juntos e que têm perfis de risco muito diferentes.
| Correção somativa (nota) | Devolutiva formativa (feedback) | |
|---|---|---|
| O que entrega | Pontuação, por critério ou total | Comentários sobre o texto, sem nota |
| Efeito sobre o aluno | Compõe média, afeta progressão | Orienta reescrita |
| Exposição jurídica | Alta — decisão que afeta trajetória | Baixa |
| Revisão humana | Obrigatória antes do lançamento | Recomendável, não crítica |
| Onde começar | Depois de calibrar | Aqui |
Essa tabela contém a recomendação mais importante do artigo: comece pela devolutiva formativa, não pela nota. Uma plataforma usada para gerar comentários que orientam a reescrita de um texto produz ganho pedagógico real, com exposição baixa e sem depender de calibração perfeita. É também a forma de a instituição descobrir a qualidade da ferramenta antes de confiar a ela algo que compõe média.
Há um efeito colateral positivo nessa ordem: a devolutiva rápida permite ciclos de reescrita que a correção manual não sustenta. Um professor que devolve um texto em três dias em vez de três semanas pode pedir uma segunda versão — e a segunda versão é onde o aprendizado de escrita efetivamente acontece.
Critério 1: calibração contra corretores humanos
Este é o critério técnico central, e o que separa ferramentas sérias de demonstrações bonitas.
Toda plataforma de correção afirma concordar com corretores humanos. A pergunta que importa é: medido em que textos, contra que corretores e com que resultado?
O que pedir ao fornecedor:
- A taxa de concordância com corretores humanos experientes, por critério da rubrica e não apenas na nota total. Uma ferramenta pode acertar a nota final errando na composição — o que a torna inútil para devolutiva.
- A distribuição do erro: a ferramenta erra para cima ou para baixo? Erro sistemático para cima é mais problemático, porque não gera reclamação e portanto não é detectado.
- O comportamento nas extremidades: textos muito bons e textos muito fracos. Muitas ferramentas têm bom desempenho no meio da distribuição e desempenho ruim justamente nos casos que mais exigem atenção pedagógica.
E o que fazer independentemente da resposta: medir na própria instituição. Cinquenta textos já corrigidos por dois professores experientes, submetidos à ferramenta, produzem uma medida de concordância que vale mais do que qualquer número de folheto. É um trabalho de duas tardes e é a única evidência que corresponde ao seu contexto.
Parâmetro de referência — Vale lembrar que corretores humanos também divergem entre si. O modelo de correção da redação do Enem, com dois corretores independentes e um terceiro em caso de divergência acima de um limite definido, existe exatamente porque a correção de texto tem componente subjetivo irredutível. A pergunta não é se a IA erra, mas se ela erra mais, menos ou de forma diferente de um corretor humano — e se o erro dela é previsível.
Critério 2: transparência da rubrica
Uma ferramenta que devolve nota sem explicar o critério é inutilizável em contexto escolar, por três razões: o professor não consegue revisar, o aluno não consegue aprender e a instituição não consegue justificar.
O que verificar:
- A rubrica é visível e editável? A plataforma usa critérios próprios fechados, ou permite que a instituição configure a rubrica que já utiliza? Ferramenta que impõe a própria rubrica obriga a escola a mudar seu instrumento de avaliação para caber no software.
- A justificativa é vinculada ao trecho? Comentário genérico do tipo "argumentação frágil" não ensina. Comentário ancorado no parágrafo específico ensina.
- Há indicação de confiança? A ferramenta sinaliza quando está insegura, ou apresenta todo resultado com a mesma convicção? Sinalização de baixa confiança é o recurso que direciona a atenção do professor para onde ela é mais necessária.
Critério 3: privacidade dos textos dos alunos
Uma redação escolar não é dado neutro. Textos de estudantes contêm com frequência informação pessoal, familiar e, em temas de produção livre, relatos sensíveis. Tratar esse acervo com o mesmo cuidado de um dado de frequência é um erro de classificação.
Quatro perguntas exigem resposta escrita antes de qualquer contrato:
- Os textos dos alunos são usados para treinar modelos do fornecedor ou de terceiros? Se sim, a avaliação se encerra — especialmente porque se trata de produção de menores de idade.
- Onde os textos ficam armazenados, por quanto tempo, e o que dispara a eliminação?
- A plataforma opera com identificação pseudonimizada? Correção não exige o nome do aluno. Um identificador interno cumpre a função e reduz drasticamente a exposição.
- O que acontece com o acervo se a instituição encerrar o contrato? Exportação em formato aberto e eliminação comprovada.
Como o artigo 14 da Lei Geral de Proteção de Dados exige tratamento de dados de crianças e adolescentes em seu melhor interesse, com consentimento específico e destacado de responsável no caso de crianças, e como produções textuais podem revelar dados sensíveis nos termos do artigo 11, este bloco não é formalidade — é o que determina se o projeto é viável.
Critério 4: comportamento em casos atípicos
É aqui que a maior parte das plataformas revela suas limitações, e é o teste que quase nenhuma instituição faz antes de contratar.
Quatro perfis de texto para submeter na avaliação:
- Estudante com dislexia ou outro transtorno de aprendizagem. A ferramenta penaliza desvios ortográficos de forma que ignora a adequação prevista no plano de atendimento individual do aluno?
- Estudante em processo de alfabetização em português como segunda língua. Estruturas transferidas de outra língua são tratadas como erro grave ou reconhecidas?
- Texto que foge do padrão esperado com qualidade. Um texto criativo, irônico ou estruturalmente incomum recebe nota baixa por não corresponder ao molde?
- Texto muito curto ou fora do tema. A ferramenta reconhece a fuga ao tema ou avalia a qualidade da escrita ignorando o comando?
O primeiro item tem peso jurídico além do pedagógico: a legislação de inclusão exige adequações de avaliação para estudantes com deficiência, e uma ferramenta que não permite configurar essa adequação coloca a instituição em situação delicada.
Critério 5: fluxo de revisão humana e rastreabilidade
Este é o critério que protege a instituição, e ele é operacional antes de ser técnico.
O desenho defensável tem quatro etapas: texto do aluno, primeira leitura pela IA, revisão do professor, nota e devolutiva. A terceira etapa não é opcional.
O que a plataforma precisa oferecer:
- Revisão e alteração de qualquer resultado pelo professor, com o registro do que foi alterado e por quem.
- Fluxo de aprovação antes do lançamento, de modo que nenhuma nota chegue ao aluno sem passar por uma pessoa.
- Histórico auditável, que permita reconstruir, meses depois, como uma nota foi formada — informação necessária em caso de recurso.
Essa exigência não é apenas boa prática institucional: o artigo 20 da Lei Geral de Proteção de Dados assegura ao titular o direito de solicitar revisão de decisões tomadas exclusivamente com base em tratamento automatizado que afetem seus interesses. Nota lançada sem revisão humana é precisamente essa hipótese.
Critério 6: viés
Sistemas de correção aprendem com textos corrigidos anteriormente, e reproduzem os padrões desses textos — incluindo os padrões indesejados.
Duas verificações práticas:
- Variação por perfil. Submeter conjuntos de textos de qualidade equivalente, produzidos por estudantes de perfis socioeconômicos e regionais distintos, e comparar as notas. Diferença sistemática é sinal de viés, não de qualidade.
- Variedade linguística. A ferramenta penaliza marcas de variação regional ou de registro que não constituem erro segundo a norma que a rubrica adota?
O princípio da não discriminação está previsto no artigo 6º da Lei Geral de Proteção de Dados, e se aplica a decisões apoiadas por tratamento automatizado.
Como estruturar um piloto de quatro semanas
A avaliação por demonstração comercial não responde a nenhum dos seis critérios. Um piloto curto responde à maioria.
| Semana | Atividade |
|---|---|
| 1 | Selecionar 50 textos já corrigidos por dois professores experientes, sem revelar as notas à plataforma |
| 2 | Submeter os textos e comparar resultado com as correções humanas, por critério da rubrica |
| 3 | Submeter os quatro perfis de caso atípico e avaliar o comportamento |
| 4 | Usar a ferramenta em modo formativo em duas turmas, sem lançar nota, e coletar percepção dos professores |
Ao final, a instituição tem uma taxa de concordância própria, um mapa dos casos em que a ferramenta falha e a avaliação de quem vai operá-la — o que é uma base de decisão bem diferente de uma apresentação de vendas.
O que não delegar
Três coisas permanecem inteiramente humanas, independentemente da plataforma escolhida:
- A nota final. A IA faz a primeira leitura; o professor faz a última.
- A conversa sobre o texto. O momento em que o professor devolve o trabalho e discute escolhas de escrita é a parte do processo em que o aprendizado acontece. Automatizar a correção libera tempo para essa conversa — não substitui ela.
- A decisão pedagógica sobre o que a turma precisa. O padrão de erros que a ferramenta revela é insumo. O que fazer com esse padrão na próxima aula é julgamento profissional.
O ganho de tempo é real e vale a contratação. O que não vale é comprar esse ganho ao custo de transferir a um sistema a responsabilidade por uma nota — porque a responsabilidade, do ponto de vista institucional e jurídico, continua sendo da escola de qualquer maneira.
Em resumo
- Comece pela devolutiva formativa, não pela nota: ganho pedagógico real com exposição baixa e sem depender de calibração perfeita.
- Devolutiva rápida permite ciclos de reescrita que a correção manual não sustenta — e a segunda versão é onde o aprendizado de escrita acontece.
- Medir a calibração na própria instituição: 50 textos já corrigidos por dois professores experientes valem mais que qualquer número de folheto.
- Exigir concordância por critério da rubrica, não apenas na nota total: a ferramenta pode acertar o total errando a composição.
- Se os textos dos alunos alimentam treinamento de modelo do fornecedor, a avaliação se encerra — trata-se de produção de menores de idade.
- Testar quatro casos atípicos: estudante com dislexia, português como segunda língua, texto criativo fora do padrão e texto fora do tema.
- Nota lançada sem revisão humana é exatamente a hipótese do artigo 20 da LGPD, que assegura direito de revisão de decisão automatizada.
- Três coisas não se delegam: a nota final, a conversa sobre o texto e a decisão pedagógica sobre o que a turma precisa.
Perguntas frequentes
A IA pode corrigir redações com a mesma qualidade de um professor?
Depende do uso. Para gerar devolutiva formativa que orienta a reescrita, plataformas atuais entregam valor real e imediato. Para lançar nota que compõe média, a correção por IA deve funcionar como primeira leitura sujeita a revisão humana. Vale lembrar que corretores humanos também divergem entre si — o modelo de correção da redação do Enem, com dois corretores independentes e um terceiro em caso de divergência, existe por essa razão.
Como avaliar a precisão de uma plataforma de correção por IA?
Medindo na própria instituição. Selecionar cerca de 50 textos já corrigidos por dois professores experientes, submeter à plataforma sem revelar as notas e comparar a concordância por critério da rubrica, não apenas na nota total. Também verificar se o erro é sistemático para cima ou para baixo e o comportamento nas extremidades da distribuição.
Os textos dos alunos ficam seguros em uma plataforma de correção por IA?
É preciso verificar quatro pontos por escrito antes do contrato: se os textos são usados para treinar modelos do fornecedor ou de terceiros; onde ficam armazenados e por quanto tempo; se a plataforma opera com identificação pseudonimizada; e o que acontece com o acervo no encerramento do contrato. Redações podem conter dados sensíveis nos termos do artigo 11 da LGPD, e tratando-se de menores aplica-se também o artigo 14.
É legal lançar uma nota gerada por IA sem revisão de professor?
É juridicamente frágil. O artigo 20 da LGPD assegura ao titular o direito de solicitar revisão de decisões tomadas exclusivamente com base em tratamento automatizado que afetem seus interesses, e uma nota que compõe média afeta a trajetória do estudante. A recomendação é fluxo com aprovação humana obrigatória e histórico auditável de alterações.
Como a correção por IA lida com alunos com dislexia ou deficiência?
É preciso testar antes de contratar. Muitas plataformas penalizam desvios ortográficos sem permitir configurar as adequações previstas no plano de atendimento individual do estudante. Como a legislação de inclusão exige adequações de avaliação para estudantes com deficiência, uma ferramenta que não permite essa configuração cria exposição institucional.
Quanto tempo leva para avaliar uma plataforma de correção por IA?
Quatro semanas em um piloto estruturado: seleção de 50 textos já corrigidos na primeira semana, comparação com as correções humanas na segunda, teste dos casos atípicos na terceira, e uso em modo formativo em duas turmas com coleta de percepção dos professores na quarta.
Fontes e referências
- Lei 13.709/2018 (LGPD), artigos 6º, 11, 14 e 20 — princípio da não discriminação, dados sensíveis, dados de crianças e adolescentes, e revisão de decisões automatizadas.
- Lei 13.146/2015 (Lei Brasileira de Inclusão da Pessoa com Deficiência) — adequações em avaliação.
- Inep — modelo de correção da redação do Enem, com dois corretores independentes e terceiro corretor em caso de divergência.
- Senado Federal — Projeto de Lei 2338/2023 (Marco Legal da Inteligência Artificial).
- UNESCO — Orientação para IA generativa na educação e na pesquisa (2023).
