Nous proposons une méthode de re-évaluation pour la correction d'erreurs grammaticales fondée sur une procédure en deux étapes : le premier modèle extrait des corrections locales, puis le second les classe comme correctes ou incorrectes. Nous montrons comment utiliser une approche encodeur-décodeur ou une méthode d'étiquetage de séquence comme première étape de notre modèle. Nous atteignons une qualité de pointe sur le jeu de données anglais BEA 2019, même avec un modèle de base BERT-GEC faible. En utilisant un générateur d'erreurs GECToR de pointe et le classificateur combiné, notre modèle dépasse GECToR sur BEA 2019 de 2 à 3 %. De plus, notre modèle surpasse également l'état de l'art précédent sur le russe, malgré l'utilisation de modèles plus petits et de moins de données que les approches antérieures.