Media De Acertos Do Enem

Como calcular e interpretar sua média de acertos no ENEM na prática

A maioria dos candidatos calcula a média de acertos no ENEM da forma errada, somando acertos brutos e dividindo pelo número de questões. O resultado que aparece aí não tem relação com a nota final. O ENEM usa TRI, ITEM RESPONSE THEORY, que é um modelo psicométrico que cruza acertos, erros e o nível de dificuldade de cada questão para estimar a proficiência do participante. Isso significa que acertar uma questão considerada difícil rende mais pontos do que acertar uma de nível básico, mesmo que a quantidade total de acertos seja a mesma. Cada área de conhecimento — Linguagens, Matemática, Ciências Humanas, Ciências da Natureza e a redação — funciona como um bloco separado dentro da TRI. Dentro de cada bloco, a prova tem um mapa de dados publicado pelo INEP onde consta a dificuldade estimada de cada questão. Esse arquivo é chamado de matriz de respostas ou gabarito oficial com item parameters, e está disponível no site doINEP em formato CSV. O cálculo exato usa a função probabilidade logística. Para cada questão, o modelo estima P(), a chance de um candidato com proficiência acertar aquela questão específica. O é ajustado iterativeamente para maximizar a verossimilhança das respostas observadas. Isso não é algo que dê para reproduzir manualmente com planilha simples, mas dá para aproximar com boa precisão usando código aberto ou ferramentas já construídas pela comunidade.

Um detalhe que poucos conhecem: a TRI também penaliza chutes de forma algorítmica. Se você acerta muitas questões difíceis e erra muitas fáceis, seu score tende a cair mais do que o equivalente a simplesmente perder pontos. O modelo interpreta esse padrão como inconsistência e reduz a estimativa de proficiência. Já vi candidato com 65% de acertos brutos ficar abaixo de outro com 55% só por causa disso. No meu caso, quando comecei a analisar performance de alunos para monitoramento, me deparei com um problema específico no arquivo de dados abertos do ENEM 2022. As colunas de parâmetro do item variavam entre diferentes versões do CSV — às vezes vinha com delta e discriminação, outras apenas com gamma, e a codificação dos arquivos tinha variações de linha entre edições. A solução foi normalizar tudo lendo sempre o campo item parameter version antes de mapear as colunas, e fazer fallback para os parâmetros padrão da matriz oficial quando alguma coluna faltasse. Isso economizou cerca de três horas de debugging que eu já tinha perdido na primeira tentativa. Para quem quer acompanhar a evolução da própria performance, existem várias plataformas que fazem esse cálculo automaticamente. O próprioinep.gov.br disponibiliza o banco de dados abertosem dados_resposta formatados. Ferramentas como o EnemHub, Nota10 e simuladores de TRI usados por cursinhos aplicam a log-likelihood diretamente no navegador. A diferença prática entre elas costuma ser pequena, mas o timing de atualização dos parâmetros do item pode variar de um dia para o outro após a divulgação oficial.

Outro ponto que merece atenção: a média de acertos sozinha como indicador de desempenho é enganosa. Dois alunos podem ter exatamente a mesma porcentagem de questões certas e notas finais muito diferentes. O que realmente importa é a distribuição de acertos pelas faixas de dificuldade dentro de cada área. Acertar todas as fáceis e nada das difíceis é um perfil que a TRI punisce fortemente, enquanto um perfil mais equilibrado entre médio e difícil escala bem mais rápido. Se o objetivo é usar essa métrica para planejamento de estudos, o mais útil não é na média geral, mas sim mapear onde estão os gaps de proficiência por topic. Atribuir cada questão aos seus subtemas, somar a probabilidade estimada de acerto por subtema e priorizar os que têm menor Expected Accuracy. Isso converte um número abstrato em um plano de ação concreto, em vez de apenas comparar percentuais entre si.