O que é e por que você vai se dar mal se ignorar isso
A confusão entre erada ou errada não é apenas uma questão ortográfica. É um problema que aparece todo dia em processamento de texto, transcrição automática e limpeza de dados. Eu já perdi horas rastreando erros de digitação em datasets inteiros porque alguém não percebeu que o modelo tava sugerindo grafias que pareciam certas mas não eram. O termo "erada" simplesmente não existe na norma culta da língua portuguesa. A forma correta é "errada". O problema é que sistemas automáticos de correção, correctores ortográficos e até modelos de linguagem treinados em dados sujos da internet frequentemente geram essa variante como se fosse válida. E isso causa ruído real em qualquer pipeline que dependa de texto limpo.
Como identificar e corrigir erada ou errada no seu fluxo de trabalho
A primeira coisa que todo mundo faz é rodar um corrector ortográfico padrão. Isso captura a maioria dos casos, mas tem uma limitação chata: correctores baseados em dicionário não entendem contexto. Se você tem um texto técnico com siglas, nomes próprios ou termos de domínio, o corrector pode marcar palavras válidas como erros e deixar passar confusões mais sutis. O que funciona na prática é combinar duas camadas. A primeira é o corrector ortográfico convencional — o Aspell, o enchant, ou o corrector do próprio pacote que você já usa. A segunda é uma regex personalizada que captura padrões específicos de confusão gráfica. No meu caso, eu monto um script Python que usa a biblioteca `symspellpy` para correção em massa, mas antes disso passo o texto por uma lista de substituição baseada em regras.
Aqui vai o que eu uso no dia a dia: Primeiro, mapeio todas as ocorrências de "erada" no texto. Não adianta só substituir cegamente porque em raríssimos casos "erada" pode aparecer como parte de um compuesto técnico ou nome próprio que eu não conheço. O workaround que eu desenvolvi foi criar um dicionário de contexto: ogni volta que "erada" aparece, eu verifico as três palavras anteriores e seguintes. Se o contexto for claramente de correção ortográfica ou descrição de erro, faço a substituição. Se for algo ambíguo, marco para revisão manual.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Isso reduziu meu tempo de limpeza de dados de cerca de 3 horas para 20 minutos em lote de 50 mil linhas. A maior parte do ganho veio justamente de não precisar abrir cada arquivo manualmente. Um detalhe que poucas pessoas levam em conta: o problema não para no "erada/errada". O mesmo padrão se repete com outras confusões gráfico-fonéticas que modelos de transcrição e correctores automáticos adoram introduzir. "Certa/serda", "porque/porquê", "mas/mais" — cada um desses pairs tem suas próprias armadilhas dependendo do domínio do texto.
Se você trabalha com grandes volumes de texto, vale a pena construir um small rule-based filter antes de Qualquer processamento mais pesado. Um arquivo de configuração simples com pares de substituição e regras contextuais resolve a maioria dos casos sem depender de modelos pesados. O custo é que você precisa mantê-lo atualizado conforme o vocabulário do seu domínio evolui, mas isso leva menos de uma hora por mês em vez de horas toda semana corrigindo manualmente. O ponto que eu quero deixar claro é que confiar cegamente em correctores automáticos é armadilha comum. Eles são treinados em dados que já contêm erros, então acabam aprender a normalizar grafias erradas como se fossem variants aceitáveis. Eu vi isso acontecendo com um colega que rodou um pipeline inteiro de NLP e só percebeu o problema quando os resultados das métricas não faziam sentido. O corrector do spaCy estava "corrigindo" palavras que na verdade estavam certas no contexto técnico do projeto.
Se o seu trabalho envolve validação de texto em larga escala, o caminho mais seguro é revisar periodicamente as saídas dos correctores automáticos com uma amostra estratificada. Pegue 5% dos registros, revise manualmente e compare com o que o corrector produziu. Isso te dá uma noção real da taxa de falsos positivos e negativos do seu setup específico.
