Assistente de correção de avaliações

O professor define.
A IA corrige.
O controle continua com o professor.

O corpo docente define diretrizes, metodologia e critérios. O Kaneta aplica essas regras em escala, e o professor acompanha, valida e ajusta os resultados. Automação sem abrir mão do controle pedagógico.

Integrado ao Moodle Dissertativas, código e imagens Espelhos manuscritos e gabarito Multi-LLM

Teste com as provas e os critérios da sua instituição, sem custo.

A pergunta não é se a IA sabe corrigir. É quem define as regras antes e quem as recalibra depois — o professor está nas duas pontas.

Vestibular, simulado e prova final

A prova que ainda é feita no papel também entra no fluxo

Chegou a temporada de vestibular de verão, simulados e provas finais. Kaneta lê espelhos digitalizados de provas manuscritas: a redação escrita à mão e a folha de gabarito que o aluno preencheu a caneta — marcando com bola ou X. E lê os dois no mesmo documento, atribuindo nota única.

Espelho de redação manuscrita: texto dissertativo escrito à mão em letra cursiva sobre preservação do meio ambiente, em folha pautada.
Espelho de redação. Texto dissertativo manuscrito, corrigido por rubrica.
Espelho de gabarito: folha de respostas com três áreas de questões de múltipla escolha, com as alternativas marcadas à mão a caneta.
Espelho de gabarito. Marcação a mão — bola ou X — em múltipla escolha.
Espelho de vestibular combinando, no mesmo documento, a redação manuscrita à esquerda e a folha de gabarito de múltipla escolha marcada à mão à direita.
Espelho de vestibular. Redação e gabarito no mesmo documento, nota consolidada.

Mesmo processo, mesma governança

O espelho manuscrito não é um fluxo à parte: percorre o mesmo ciclo de definição, correção, homologação e calibragem das avaliações digitais.

  • O docente anexa o gabarito oficial, os critérios de correção da redação e exemplos de produção nota alta e nota baixa
  • A IA corrige — lê a letra manuscrita, identifica a alternativa marcada e aplica a rubrica
  • O professor analisa e calibra o resultado, repetindo o ciclo até o ponto de automatizar

Vestibular, simulado, prova presencial e avaliação diagnóstica passam a ter o mesmo tratamento das atividades entregues pelo Moodle.

Testar com as provas em papel da sua instituição
Resultado da correção do espelho de gabarito pelo sistema: tabela do Bloco 1 — Área I com as colunas questão, opção marcada, gabarito e pontuação, mostrando 30 pontos nos acertos e 0 nos erros.
Saída real do sistema: questão a questão, o que o aluno marcou, o gabarito oficial e a pontuação atribuída.
O problema real

Corrigir à mão não escala. Terceirizar para a IA sem regras é pior.

Instituições enfrentam duas pressões ao mesmo tempo: a carga de correção que limita o que o professor consegue avaliar, e a chegada da IA no trabalho dos alunos — sem que a instituição tenha definido como responder a isso.

Sobrecarga de correção por professor

Muitos alunos por docente tornam a correção dissertativa manual inviável na prática.

Consequência: atividades dissertativas são evitadas

Feedback que chega tarde demais

O aluno recebe a devolutiva quando já não há tempo de usá-la para aprender.

Consequência: avaliação deixa de ser formativa

Critério que varia entre corretores

Sem rubrica aplicada de forma consistente, notas equivalentes recebem tratamentos diferentes.

Consequência: recursos e retrabalho pedagógico

Texto do aluno gerado por IA

A produção textual passou a competir com ferramentas que o aluno tem no bolso.

Consequência: a autoria fica sem verificação

Prova em papel corrigida e digitada à mão

Vestibular, simulado e prova presencial exigem correção manual e transcrição de notas para o sistema.

Consequência: prazo longo e erro de digitação

Regra que não volta para o sistema

O professor corrige a IA numa avaliação, mas o aprendizado não vira critério para a próxima.

Consequência: o mesmo desvio se repete

Dores levantadas junto a instituições assessoradas pela Badiu na adoção de IA no processo pedagógico.

A resposta da Badiu

Governança das regras, antes e depois da automação

Kaneta não corrige "do jeito da IA". Corrige do jeito da sua instituição. Antes, o corpo docente estrutura o projeto pedagógico em camadas hierárquicas que funcionam como base de conhecimento do modelo — o mais específico sobrescreve o mais geral. Depois, homologa a correção e reajusta essas mesmas camadas.

Camada 1
Diretrizes da instituição Princípios avaliativos válidos para todo o ambiente
Camada 2
Projeto pedagógico do curso Regras que valem para todas as atividades do curso
Camada 3
Orientações da disciplina Critérios do componente curricular
Camada 4
Rubrica da atividade avaliativa Critérios, pesos e pontuação daquela avaliação específica

Escolha do modelo

Multi-LLM: a instituição escolhe o modelo por capacidade de inferência, janela de contexto, custo ou velocidade — inclusive um modelo diferente para a segunda checagem.

Calibragem contínua pelo docente

A correção da IA é comparada com a do professor em uma amostra real. Divergiu? O próprio corpo docente reajusta as regras, o dossiê e o prompt até convergir.

Automação conquistada, não presumida

No início, todo feedback passa por homologação docente. A publicação automática só avança na medida em que a convergência se confirma — nunca por padrão.

Kaneta é implementado sobre o Badiu A2i — a plataforma de gestão de IA multi-LLM, agentes e prompts da Badiu. É o motor que torna a governança possível, e não apenas uma promessa.

Como funciona

Um ciclo que começa e termina no professor

O fluxo roda dentro do Moodle. O docente entra antes, definindo as regras, e depois, homologando o resultado e recalibrando os critérios.

Professor define as regras

Diretrizes, metodologia, contexto pedagógico, rubrica, gabarito oficial e exemplos de produção nota alta e nota baixa.

Aluno envia a atividade

Arquivo digital ou espelho digitalizado de prova manuscrita — redação, gabarito ou os dois.

Dossiê é montado

A submissão segue para a IA junto com as regras, critérios e rubrica definidos pelo docente.

IA corrige e checa

Nota e feedback por critério, mais dupla checagem e checagem de plágio quando habilitadas.

Docente homologa e calibra

Analisa o resultado, homologa ou ajusta — e o que aprendeu volta como regra, até a correção convergir e a publicação ser automatizada.

A quinta etapa realimenta a primeira: cada homologação é insumo de calibragem. A automação avança conforme a convergência medida — nunca por padrão.

O dossiê que o professor recebe

  • Nota, rendimento e status de lançamento
  • Feedback estruturado com justificativa por critério
  • Relatório de plágio web com as fontes identificadas
  • Relatório de indícios de geração por IA, com o raciocínio
  • Rastro de processamento: arquivo, horários e duração

Com o dossiê completo, o professor libera o resultado, aprofunda a checagem ou solicita nova produção ao estudante.

Dossiê de correção do Kaneta: identificação do aluno, nota 7,00 com rendimento de 70%, status em revisão, controle de plágio web reprovado a 60% contra limite de 35%, plágio IA aprovado, dados de processamento, comentário sobre a nota e relatórios detalhados de checagem.
Dossiê real de correção — nota retida em revisão porque o plágio web ultrapassou o limite tolerado.
Feedback por rubrica no Moodle: tabela com critérios de organização do texto, norma culta, compreensão teórica, transmissão e prevenção da dengue, cada um com nota e justificativa, totalizando 84 de 100 pontos, seguido de pontos fortes e recomendações de melhoria.
Feedback por rubrica lançado no Moodle, critério a critério.
Avaliação por rubrica

Nota que se explica

A avaliação deixa de ser uma nota global e passa a ser decomposta nos critérios definidos pelo professor — com pontuação parcial e justificativa objetiva em cada item.

  • Critérios e pesos definidos pelo docente
  • Pontos fortes, aspectos a aprimorar e recomendações
  • Comparação entre tentativas, critério a critério
  • Nova tentativa liberada automaticamente quando a nota fica abaixo do esperado

O aluno usa a devolutiva para reescrever — e a avaliação volta a ser formativa, mesmo em escala. Em simulados e exercícios de estudo, o ciclo de feedback e nova tentativa pode se repetir várias vezes: o professor define os critérios, a tecnologia multiplica os momentos de feedback.

Integridade acadêmica

Quatro camadas de checagem de plágio

Pela plataforma Kábula, integrada ao Kaneta. O professor habilita as camadas que quiser e define a tolerância de cada uma conforme o contexto pedagógico.

01

Plágio na web

Varre o texto em fragmentos e aponta o percentual de cópia literal, indicando o site ou documento de origem de cada trecho.

Disponível
02

Conteúdo gerado por IA

Analisa indicadores como linearidade excessiva, densidade de frases genéricas, vocabulário uniforme e ausência de imperfeições humanas — inclusive o padrão "colcha de retalhos".

Disponível
03

Plágio do material didático

Aponta qual ponto do material do próprio curso foi reproduzido pelo aluno.

Disponível
04

Plágio entre colegas

Identifica de qual colega o trecho foi copiado, comparando as submissões da turma.

Disponível
05

Verificação oral de autoria

Chamada ao vivo conduzida pela IA para discutir o trabalho e verificar a autoria do estudante.

Em desenvolvimento

Tolerância definida por você

Cada camada tem limite configurável. Um professor de graduação pode até mapear padrões de erro recorrentes da turma e tratar a ausência deles como indício — atribuindo peso próprio a esse critério na pontuação de risco.

O limite estourou? A nota não sai

Ultrapassado o percentual tolerado, o resultado vai para revisão ou reprovação automática, conforme a regra. Nota e feedback não são liberados ao aluno antes da decisão do docente.

Resultados em operação

Escala com supervisão docente, medida em produção

Números da operação real do assistente de correção da Badiu.

800 mil+
avaliações corrigidas
Até setembro de 2026, com validação pedagógica das equipes
24 mil+
cursos ofertados
Humanas, exatas e saúde
< 1%
taxa de erro típica
Na maioria dos cenários observados
7
tipos de resposta corrigidos
Texto, código, fórmulas, imagens, tabelas, redação manuscrita e gabarito
~4%
das avaliações iam para revisão manual da tutoria
< 1%
após configurar a dupla checagem

Caso de instituição cliente: a cada 50 mil provas corrigidas, cerca de 1.800 seguiam para revisão manual — concentradas em sobrecarga de contexto por imagens anexadas e em notas zero atribuídas indevidamente. Configurada a segunda checagem com outro modelo de linguagem para esses padrões, a revisão manual caiu para menos de 1%.

Quando a IA revisa a própria IA

A dupla checagem não substitui a correção principal: é uma segunda análise automatizada, acionada apenas nos casos que a equipe pedagógica mapeou.

  • Por padrão de erro: falhas conhecidas de processamento disparam nova execução
  • Por rendimento: notas muito baixas ou zero voltam para revalidação
  • Com outro modelo: a segunda passada pode usar um LLM de maior inferência ou janela de contexto
Estudante escrevendo à mão enquanto dois assistentes de IA acompanham o trabalho em um notebook Badiu A2i, representando a IA como copiloto do processo pedagógico.
A IA como copiloto: propõe e revisa; a decisão permanece humana.
Da Engenharia à Saúde

A mesma IA não avalia Engenharia como avalia Pedagogia

As correções feitas com a Kaneta vão da Gestão às Engenharias, passam pelas Ciências Sociais e chegam às diferentes áreas da Saúde, em mais de 24 mil registros de disciplinas e ofertas. Essa escala não vem da repetição de um único contexto avaliativo: vem de milhares de experiências pedagógicas distintas.

Dois gráficos de barras com a distribuição das avaliações corrigidas. Por macroárea do conhecimento: Ciências Sociais Aplicadas 22%, Ciências Humanas e Educação 16%, Ciências da Saúde 14%, Ciências Exatas 12%, Ciências Biológicas 10%, Engenharias 9%, Linguagens 9% e Tecnologia 8%. Por área de conhecimento: Administração e Gestão 18%, Pedagogia e Educação 12%, Saúde (Medicina, Enfermagem etc.) 11%, Engenharias 10%, Direito 7%, Tecnologia e Computação 6%, Ciências Biológicas 5%, Matemática e Estatística 5%, Ciências Contábeis 4%, Psicologia 4%, Arquitetura e Urbanismo 3%, Linguagens 3%, História e Geografia 2%, Química e Farmácia 2%, Física 2%, Nutrição 2%, Odontologia 1%, Fisioterapia 1% e outras áreas 1%.
Gráfico de barras da distribuição das avaliações por macroárea do conhecimento: Ciências Sociais Aplicadas 22%, Ciências Humanas e Educação 16%, Ciências da Saúde 14%, Ciências Exatas 12%, Ciências Biológicas 10%, Engenharias 9%, Linguagens 9% e Tecnologia 8%.
Gráfico de barras da distribuição das avaliações por área de conhecimento: Administração e Gestão 18%, Pedagogia e Educação 12%, Saúde (Medicina, Enfermagem etc.) 11%, Engenharias 10%, Direito 7%, Tecnologia e Computação 6%, Ciências Biológicas 5%, Matemática e Estatística 5%, Ciências Contábeis 4%, Psicologia 4%, Arquitetura e Urbanismo 3%, Linguagens 3%, História e Geografia 2%, Química e Farmácia 2%, Física 2%, Nutrição 2%, Odontologia 1%, Fisioterapia 1% e outras áreas 1%.

Distribuição das avaliações corrigidas com apoio da Kaneta até o fim de setembro de 2026, por macroárea e por área do conhecimento. Percentuais arredondados.

Quanto mais áreas, mais contexto a IA precisa

Um modelo de linguagem, sozinho, não conhece a metodologia de avaliação da instituição, do curso ou do professor. Entre a atividade e o modelo, a Kaneta mantém uma camada de governança que traduz o contexto pedagógico para a IA e orienta cada correção:

  • O enunciado, com a linguagem e os conceitos da área
  • Os critérios de avaliação definidos pelo corpo docente
  • As regras pedagógicas da instituição e do curso
  • O contexto da atividade: avaliativa, de estudo, de reforço ou formativa

Caminhos para começar

O poder de inferência dos modelos de linguagem pode entrar na prática pedagógica por diferentes portas, sempre dentro das regras e dos critérios definidos pela instituição e pelo corpo docente:

  • Simulados
  • Atividades de estudo e reforço
  • Avaliações formativas e produção de feedback
  • Copiloto do professor no processo avaliativo
Testar grátis com 2 mil provas
Não se trata de substituir a metodologia docente pelo modelo de linguagem. O movimento é o contrário: fazer com que o modelo opere dentro da metodologia pedagógica.
Badiu, “Da Engenharia à Saúde”, outubro de 2026

Uma nova alavanca para o corpo docente: a IA amplia a capacidade do professor de acompanhar atividades, produzir feedback e apoiar processos formativos e avaliativos, dentro da metodologia que ele definiu.

Ler o artigo completo
O que 800 mil correções ensinaram

Antes de automatizar, a IA aprende como o seu professor avalia

Implantar IA na avaliação não é disponibilizar um modelo de linguagem e pedir que ele corrija. É traduzir a metodologia pedagógica da instituição em instruções, para que a IA funcione como braço de execução do corpo docente, e não como uma camada autônoma decidindo fora das diretrizes.

  1. Etapa 1

    Correção paralela ao professor

    A mesma avaliação é corrigida pelo docente e pela Kaneta. A correção do professor carrega nuances, tolerâncias e critérios de argumentação que quase nunca estão documentados. Fazemos a engenharia reversa dessa metodologia e a traduzimos em instruções para o modelo.

    É a etapa do teste grátis
  2. Etapa 2

    Homologação antes da automação

    A Kaneta corrige, mas o resultado só chega ao aluno depois da homologação docente. Cada divergência revela uma regra que ainda não estava explícita: onde falta orientação, o modelo preenche a lacuna por inferência. A lacuna vira instrução.

  3. Etapa 3

    Automação com rastreabilidade

    Confirmada a convergência, a publicação automática avança. A metodologia de avaliação vira um processo operacional replicável, com controle, rastreabilidade e governança.

Cada implantação reduz a complexidade da próxima

Os padrões descobertos em um projeto passam a fazer parte das camadas gerais de governança da plataforma, e não ficam presos a um prompt específico. O tempo para compreender os critérios, estruturar as instruções e homologar os resultados cai a cada nova instituição.

A avaliação também ensina

Em atividades formativas, simulados e exercícios de estudo, o aluno recebe feedback detalhado, entende o que precisa aprimorar e tenta de novo. A IA reduz o esforço de correção e amplia os momentos de feedback ao longo da trajetória do aluno.

O desafio não está apenas em fazer a inteligência artificial compreender o conteúdo produzido pelo aluno. O verdadeiro desafio é fazer com que ela compreenda como aquela instituição deseja avaliar aquele conteúdo.
Badiu, “800 mil avaliações corrigidas”, outubro de 2026

Próximo marco: 1 milhão de avaliações corrigidas até o fim de 2026 e 10 milhões em 2027 — sempre sob governança e controle do corpo docente.

Ler o artigo completo
Teste grátis

Comece pela etapa 1: 2 mil provas corrigidas sem custo

A Kaneta corrige em paralelo ao seu professor, com os critérios dele, até a nota da IA convergir com a do docente. Você vê o resultado nas provas da sua instituição antes de decidir qualquer contratação.

Fim de semestre

Provas finais dissertativas de novembro e dezembro, quando a carga de correção chega ao pico.

Prova em papel

Vestibular de verão e simulados, com redação manuscrita e folha de gabarito.

Inteligência institucional

O que a coordenação passa a ver

Correção com IA gera dado. O painel transforma esse dado em acompanhamento pedagógico — não apenas em produtividade.

Fluxo em tempo real

Todo o processo de correção monitorado, com transparência sobre o que está em cada etapa.

Indicadores de desvio

Mapeamento de padrões fora da curva, para agir antes do fechamento da oferta.

Notificação de falha

Aviso imediato quando algo falha, permitindo ação rápida da equipe.

Relatório consolidado

Dados detalhados por aluno, turma e atividade para acompanhamento pedagógico.

Para quem é

Instituições que avaliam por escrito, em escala

No papel ou no digital — com o corpo docente no comando das regras.

Direção e coordenação acadêmica

Precisa escalar a avaliação dissertativa mantendo padronização, governança e rastreabilidade das decisões pedagógicas.

Professores e tutores

Ensino presencial, híbrido ou online, com muitos alunos por docente — onde a correção manual deixou de ser viável. O docente deixa de transcrever nota e passa a definir critério e homologar resultado.

TI e gestão de plataforma

Já opera o Moodle como LMS e precisa integrar sem reconstruir o ambiente — via plugin ou API para outros sistemas.

Corrige mais que redação

Textos dissertativos, códigos de programação, fórmulas matemáticas, imagens e tabelas — e ainda espelhos de prova manuscrita: redação escrita à mão e folha de gabarito marcada a caneta. Em avaliações, trabalhos acadêmicos, vestibulares e até TCCs, desde que o corpo docente faça as parametrizações adequadas. Já são mais de 24 mil cursos ofertados, de humanas, exatas e saúde.

Dúvidas frequentes

O que as instituições perguntam

E se a IA errar a nota? O aluno pode recorrer.

É exatamente por isso que a publicação é configurável. O resultado pode ficar retido em status de revisão, exigindo homologação do professor antes de chegar ao aluno.

Além disso, a dupla checagem reexecuta automaticamente os casos de risco mapeados — como nota zero ou padrões de erro conhecidos. Em uma instituição cliente, isso reduziu a revisão manual de cerca de 4% para menos de 1% das avaliações.

Como funciona o teste grátis com 2 mil provas?

A instituição escolhe uma disciplina ou uma prova. Durante 30 dias, a Kaneta corrige até 2.000 provas sem custo, em paralelo ao professor e com os critérios dele, até a nota da IA convergir com a do docente.

Ao final, você recebe o relatório de convergência entre a nota da IA e a do professor, com o dossiê de cada correção. Solicitar o teste não gera compromisso de contratação. Reservar uma vaga.

Perdemos o controle pedagógico da avaliação?

Não. As regras são da instituição, organizadas em quatro camadas — diretrizes institucionais, projeto pedagógico, disciplina e rubrica da atividade — e o mais específico sobrescreve o mais geral.

A IA opera dentro desse dossiê pedagógico. O professor define critérios, pesos, tolerâncias de plágio, quando a nota é publicada e qual modelo de linguagem é usado — e continua no processo depois, homologando os resultados e reajustando essas regras sempre que a correção divergir do esperado.

Como sabemos que a correção da IA condiz com a do professor?

Por calibragem com amostra real antes de entrar em produção: a correção e o feedback da IA são comparados com a avaliação feita pelos professores em uma amostra da turma. Havendo divergência, ajusta-se o dossiê pedagógico e os parâmetros de prompt até alcançar convergência satisfatória.

Depois disso, os feedbacks passam por homologação docente; a automação da publicação avança à medida que a convergência se confirma. A calibragem não é uma etapa de implantação que termina — é o mecanismo permanente pelo qual o corpo docente mantém a correção alinhada ao projeto pedagógico.

Nossos alunos usam IA para escrever. Como isso é tratado?

Com quatro camadas de checagem, pela plataforma Kábula: plágio na web (com as fontes), indícios de geração por IA (com o raciocínio da análise), plágio do material didático e plágio entre colegas. Uma quinta camada — verificação oral de autoria por videochamada — está em desenvolvimento.

Cada camada é habilitável e tem limite de tolerância configurável. Estourado o limite, a nota não é liberada automaticamente.

Integra com o nosso Moodle? E com outros sistemas?

Sim. A integração com o Moodle é feita pelo plugin badiunet, atuando no plugin de tarefa: basta habilitar o serviço e definir quais tarefas estarão aptas à correção automática. A nota e o feedback são registrados diretamente no quadro de notas.

Para outros SGA ou LMS, a solução está disponível por API.

Quais formatos de arquivo os alunos podem enviar?

DOCX, DOC, PDF, PPTX, ODT, RTF, PNG, JPG e TXT.

Além do texto dissertativo, o Kaneta corrige código de linguagens de programação, fórmulas, tabelas e imagens — e também espelhos digitalizados de prova manuscrita: redação escrita à mão, folha de gabarito marcada a caneta, ou os dois no mesmo documento, como no espelho de vestibular.

Como funciona a correção de prova manuscrita (espelho)?

O processo é o mesmo das avaliações digitais. O professor ou o corpo docente anexa o gabarito oficial, os critérios de correção da redação e exemplos de produção nota alta e nota baixa. Definidos os critérios, a IA corrige: lê o texto manuscrito, identifica a alternativa que o aluno marcou — bola ou X — e aplica a rubrica.

O professor então analisa o resultado e calibra as regras, repetindo o ciclo até o ponto de automatizar. Redação e gabarito podem estar no mesmo documento, como em um espelho de vestibular: o Kaneta corrige os dois e atribui a nota consolidada.

Ficamos presos a um único fornecedor de IA?

Não. Kaneta roda sobre o Badiu A2i, que é multi-LLM. A instituição escolhe o modelo conforme a necessidade — poder de inferência, janela de contexto, custo ou velocidade — e pode usar um modelo diferente na segunda checagem.

Como é a implantação?

Pelo mesmo método que levou a Kaneta a 800 mil avaliações corrigidas. Primeiro, a IA corrige em paralelo ao corpo docente, e os critérios do professor são traduzidos em instruções para o modelo. Depois, a Kaneta passa a corrigir, mas o resultado só chega ao aluno após a homologação docente; cada divergência vira uma nova regra. Confirmada a convergência, a publicação é automatizada.

Cada implantação incorpora o que foi aprendido nas anteriores, em mais de 24 mil cursos ofertados, e por isso o tempo de implantação vem caindo a cada nova instituição. A Badiu é um dos maiores laboratórios de pesquisa em uso e governança de IA aplicada ao processo pedagógico, e conduz essa implementação junto com a instituição.

Demonstração

Sua instituição quer escalar a correção mantendo o professor no comando das regras?

Agende uma demonstração ou comece direto pelo teste grátis com 2 mil provas. Apresentamos o ciclo completo com a sua equipe pedagógica — da definição dos critérios à homologação e calibragem, inclusive a correção de espelhos manuscritos de redação e gabarito.

  • Demonstração conduzida com a sua realidade pedagógica
  • Teste grátis: até 2.000 provas em 1 disciplina, por 30 dias
  • Assessoria metodológica na definição das diretrizes e critérios
  • Calibragem com amostra real até a convergência com o corpo docente

Agendar demonstração

Retornamos em até um dia útil.

O que você quer fazer?

Seus dados são usados apenas para este contato.