A expansão da Informação Geográfica Voluntária (VGI), impulsionada pela popularização dos dispositivos móveis e pela ampla difusão da internet, favoreceu o surgimento de plataformas de mapeamento colaborativo, com destaque para o OpenStreetMap (OSM). Entretanto, as informações produzidas nesse ambiente impõem desafios à cartografia tradicional, devido à sua heterogeneidade semântica e geométrica, resultante da contribuição de usuários, em sua maioria, sem formação técnica na área cartográfica. Para viabilizar a utilização dessas informações em projetos de elaboração de mapas temáticos e na atualização de bases cartográficas existentes, este artigo tem como objetivo aplicar métricas de qualidade semântica aos dados do OSM. Diante disso, a metodologia proposta está estruturada em três etapas, a (i) consiste na elaboração da arquitetura de desenvolvimento utilizando a linguagem de programação Python e as bibliotecas Pandas, NumPy, NLTK, spaCy, OSMnx; na (ii) é realizada a definição e aplicação de técnicas de Processamento de Linguagem Natural (PLN), como tokenização e lematização, para avaliar qualidade semântica é aplicado as métricas Completude, Consistência, Acurácia, Uniformidade e Relevância e na (iii) ocorre a implementação e disponibilização pública dos códigos modulares no GitHub. Diante disso, foi realizado um estudo de caso no município de Porto Alegre, Brasil, os resultados indicaram uma qualidade semântica geralmente satisfatória. Especificamente, a Completude que foi de aproximadamente 87% e a Consistência de 92%. Contudo, o estudo identificou lacunas significativas na Uniformidade 78% de padronização, com divergências como "St" versus "street" e "Ave" versus "avenue", concentradas em áreas com menor participação voluntária. Além disso, foram notadas inconsistências entre o tipo semântico e a geometria como edificações representadas por linhas. Neste cenario o estudo reforça a relevância de metodologias reprodutíveis e de código aberto para a avaliação sistemática dos dados, possibilitando a integração eficaz dos dados do OSM em processos cartográficos automatizados de maior rigor.