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

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.

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.

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.

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.

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.

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.

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.

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.

Em duas etapas de assessoria. Primeiro, apoio à equipe pedagógica na elaboração dos prompts que refletem o projeto pedagógico institucional. Depois, configuração do assistente, calibração das regras no nível da atividade e monitoramento do fluxo de execução até a liberação automática.

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.