Correção de Redação por API: como integrar ao seu sistema

Por que construir correção de redação do zero raramente faz sentido?

Construir um sistema de correção com IA internamente exige equipe de ML para treinar e manter o modelo, rubrica pedagógica validada por especialistas, infraestrutura de OCR para manuscritas, pipeline de processamento com status rastreável e manutenção contínua à medida que critérios pedagógicos evoluem.

O custo e o tempo para fazer isso do zero raramente fazem sentido para uma plataforma cujo core é outra coisa: gerenciar turmas, distribuir conteúdo, processar matrículas. A especialidade técnica necessária é distinta da especialidade pedagógica — e as duas precisam coexistir em qualidade de produção.

corrigir.ai entrega tudo isso como API. A documentação é pública, o modelo segue padrões REST e a rubrica pedagógica é mantida pelo time de especialistas da plataforma — não pelo time de engenharia do cliente.

O que a API de correção de redação faz, concretamente?

Os endpoints principais cobrem envio de redação ou questão discursiva (texto, imagem PNG/JPG, PDF, base64), retorno de nota_final, feedback e lista_de_marcacoes por competência, além de status rastreável no ciclo new → waiting → running → success/error.

A API opera de forma assíncrona: o cliente envia a requisição, recebe um ID de processamento e acompanha o andamento via polling em ciclos definidos ou via webhook quando a correção finaliza.

Para questões enviadas repetidamente — turmas diferentes, reenvios — o sistema reutiliza o contexto do enunciado via cache por atividade_id, sem reprocessar e sem custo adicional ao cliente. Esse comportamento está documentado em /docs/api.

White-label está disponível: a experiência do aluno final não expõe o motor de correção. A plataforma cliente mantém sua identidade de marca.

Quais tipos de correção a API suporta?

Redação ENEM: avalia as cinco competências C1 a C5 com feedback estruturado por competência. Aceita texto digitado, imagem ou PDF. Para manuscritas, OCR é aplicado antes da análise.

Questões discursivas: o fluxo trabalha com três etapas — enunciado, resposta do aluno, feedback. Rubrica configurável. Adequado para AVAs de IES e EAD onde o critério de correção varia por disciplina e professor.

A plataforma também suporta discursivas genéricas e o modelo FUVEST, conforme documentado em /docs/api. A governança sobre qual modelo é acionado por tipo de atividade é feita por configuração no envio — o desenvolvedor define o tipo e a rubrica, a IA aplica.

Para quais plataformas a integração faz mais sentido?

AVA e LMS de IES e EAD: o aluno envia a resposta discursiva no ambiente que já usa. A API corrige, o resultado volta ao LMS. Nenhuma mudança de experiência para o aluno; nenhum custo de infraestrutura de correção para a instituição.

Plataformas de simulados para cursinhos e preparatórios: o aluno termina a redação ENEM no simulado digital, a API corrige automaticamente e o resultado aparece no painel. O professor audita os casos críticos — por exemplo, notas máximas em C1 (200 pontos no ENEM), onde uma revisão humana adiciona segurança.

Processos seletivos de IES e vestibulares: redações digitalizadas são enviadas em lote via API assim que escaneadas. Status rastreável por correção. White-label mantém a identidade da instituição no resultado entregue ao candidato.

Plataformas B2C de treino para ENEM: o aluno escreve, o sistema chama a API, o feedback aparece no painel sem que a plataforma precise construir ou manter modelo próprio de correção.

Como funciona o fluxo técnico de integração?

O fluxo básico tem três passos: (1) POST para envio da redação com tipo, rubrica e formato; (2) recebimento do ID de processamento; (3) acompanhamento via polling — consultando o status em intervalos definidos — ou via webhook configurado para receber notificação quando a correção finalizar.

Formatos de entrada aceitos: texto digitado (string), imagem PNG ou JPG, PDF e base64. Para manuscritas, o pipeline de OCR é executado antes da análise semântica. A taxa de erro de OCR varia conforme a qualidade da caligrafia: para texto digitado e PDFs com fontes limpas, a taxa é muito baixa; para manuscritas com caligrafia irregular, fica na faixa de 5 a 15% — o que é relevante considerar no design da experiência de revisão.

O response de uma correção bem-sucedida devolve nota_final (numérico), feedback (texto estruturado) e lista_de_marcacoes (array com anotações por trecho ou competência). O status error é rastreável e retorna detalhes para tratamento no lado cliente.

A documentação completa, incluindo exemplos de payload e boas práticas de uso, está disponível em /docs/api.

Quais objeções técnicas e de conformidade são mais comuns?

LGPD e proteção de dados de alunos: corrigir.ai declara conformidade com a Lei nº 13.709/2018 (LGPD). A plataforma aplica anonimização antes do processamento e opera com intencionalidade pedagógica explícita na governança dos modelos. Para requisitos contratuais específicos — especialmente IES com obrigações do ECA ou dados de menores — consulte o time diretamente.

'Já usamos outro serviço de NLP': corrigir.ai não é NLP genérico. O diferencial está na rubrica pedagógica validada (ENEM C1-C5, discursivas, FUVEST), no OCR integrado ao fluxo de correção e no cache de enunciado por atividade. Um modelo de linguagem de uso geral não entrega avaliação por competência sem rubrica especializada.

'Precisamos de SLA garantido para produção': as condições contratuais, incluindo SLA e suporte, são definidas no contrato. Entre em contato com o time para discutir os requisitos do seu volume e criticidade.