The hardware and bandwidth for this mirror is donated by dogado GmbH, the Webhosting and Full Service-Cloud Provider. Check out our Wordpress Tutorial.
If you wish to report a bug, or if you are interested in having us mirror your free-software or open-source project, please feel free to contact us at mirror[@]dogado.de.
Last updated on 2026-08-10 10:50:23 CEST.
| Flavor | Version | Tinstall | Tcheck | Ttotal | Status | Flags |
|---|---|---|---|---|---|---|
| r-devel-linux-x86_64-debian-gcc | 0.3.2 | 5.68 | 153.69 | 159.37 | OK | |
| r-devel-linux-x86_64-fedora-clang | 0.3.2 | 135.08 | OK | |||
| r-devel-linux-x86_64-fedora-gcc | 0.3.2 | 152.82 | ERROR | |||
| r-release-linux-x86_64 | 0.3.2 | 9.00 | 207.17 | 216.17 | OK | |
| r-release-macos-arm64 | 0.3.2 | 2.00 | 67.00 | 69.00 | ERROR | |
| r-release-macos-x86_64 | 0.3.2 | 6.00 | 205.00 | 211.00 | ERROR | |
| r-oldrel-macos-arm64 | 0.3.2 | 2.00 | 69.00 | 71.00 | ERROR | |
| r-oldrel-macos-x86_64 | 0.3.2 | 6.00 | 328.00 | 334.00 | ERROR | |
| r-oldrel-windows-x86_64 | 0.3.2 | 17.00 | 285.00 | 302.00 | OK |
Version: 0.3.2
Check: tests
Result: ERROR
Running ‘spelling.R’
Running ‘testthat.R’ [27s/29s]
Running the tests in ‘tests/testthat.R’ failed.
Complete output:
> # Este arquivo faz parte da infraestrutura de testes do pacote.
> # Veja https://r-pkgs.org/testing-design.html#sec-tests-files-overview
>
> library(testthat)
> library(acR)
>
> test_check("acR")
v Limpeza concluída.
i Tokens antes: 30 | após: 29 (1 removidos).
i Documentos vazios após limpeza: 0.
i Etapas aplicadas: "remove_url", "remove_email", "lower", "remove_punct", and "strip_whitespace".
-- Cluster de documentos (acR) --
* Metodo: "hclust" | features: "tfidf" | distancia: "cosine"
* k = 2 | n = 8 documentos
* Silhueta media: 0.407
# A tibble: 2 x 2
doc_id text
<chr> <chr>
1 doc_1 A
2 doc_2 B
-- Corpus acR ------------------------------------------------------------------
* Documentos: 2
* Metadados: 0 colunas
* Idioma: "pt"
-- Corpus acR ------------------------------------------------------------------
* Documentos: 2
* Metadados: 0 colunas
* Idioma: "pt"
# A tibble: 2 x 2
doc_id text
<chr> <chr>
1 doc_1 A
2 doc_2 B
Ajustando LDA com k = 3 tópicos...
Ajustando LDA com k = 3 tópicos...
Ajustando LDA com k = 2 tópicos...
Ajustando LDA com k = 2 tópicos...
Ajustando LDA com k = 2 tópicos...
-- Modelo LDA acR --------------------------------------------------------------
* Tópicos (k): 2
* Método: "VEM"
* Semente: 1
* Termos únicos: 30
* Documentos: 8
Testando k = 2 a 3...
Ajustando LDA com k = 2 tópicos...
Testando k = 2 a 3...
! Categoria "a": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "a": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "b": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "b": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "positivo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "positivo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "negativo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "negativo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "neutro": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "neutro": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "positivo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "positivo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "negativo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "negativo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "neutro": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "neutro": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "positivo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "positivo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "negativo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "negativo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "neutro": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "neutro": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "a": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "a": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "b": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "b": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
-- Codebook acR: "tom_teste" ---------------------------------------------------
* Modo: "manual"
* Categorias (2): "positivo" and "negativo"
* Multilabel: FALSE
* Idioma: "pt"
* Criado em: 09/08/2026 09:36
Instrução geral:
Classifique o tom do discurso.
Categorias:
• "positivo": Tom propositivo e colaborativo.
Ex+: Proponho que trabalhemos juntos.
• "negativo": Tom critico e confrontacional.
Ex+: Esta proposta vai arruinar o pais.
-- Resumo do codebook "tom_teste" ----------------------------------------------
# A tibble: 2 x 6
categoria tem_definicao n_ex_pos n_ex_neg n_refs weight
<chr> <lgl> <int> <int> <int> <dbl>
1 positivo TRUE 1 1 0 1
2 negativo TRUE 1 1 0 1
✅ Codebook salvo em '/tmp/RtmpSH87MK/working_dir/Rtmp0QZbYM/file2030134b564638.yaml'
✅ Codebook salvo em '/tmp/RtmpSH87MK/working_dir/Rtmp0QZbYM/file2030137b2876fd.yaml'
! Categoria "formal": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "formal": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "informal": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "informal": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Fundidos: 4 categorias.
! Categoria "positivo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "positivo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "neutro": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "neutro": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Fundidos: 3 categorias.
! Categoria "positivo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "positivo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "neutro": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "neutro": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Fundidos: 3 categorias.
! Categoria "positivo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "positivo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "neutro": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "neutro": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Fundidos: 4 categorias.
! Categoria "positivo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "positivo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "neutro": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "neutro": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "x": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "x": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "y": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "y": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Fundidos: 4 categorias.
Nenhuma modificação.
! Categoria "x": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "x": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "y": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "y": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Fundidos: 4 categorias.
-- Histórico: "tom_teste_cb2" --------------------------------------------------
# A tibble: 1 x 3
timestamp action detail
<chr> <chr> <chr>
1 2026-08-09 09:36:10 merge tom_teste + cb2
! Categoria "neutro": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "neutro": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v 1 categoria adicionada: "neutro".
i Codebook agora tem 3 categorias.
! Categoria "tecnico": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "tecnico": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v 1 categoria adicionada: "tecnico".
i Codebook agora tem 4 categorias.
v 1 categoria removida: "tecnico".
i Codebook agora tem 3 categorias.
-- Histórico: "tom_teste" ------------------------------------------------------
# A tibble: 3 x 3
timestamp action detail
<chr> <chr> <chr>
1 2026-08-09 09:36:10 add neutro
2 2026-08-09 09:36:10 add tecnico
3 2026-08-09 09:36:10 remove tecnico
-- Histórico: "tom_teste" ------------------------------------------------------
# A tibble: 1 x 3
timestamp action detail
<chr> <chr> <chr>
1 2026-08-09 09:36:10 add neutro
-- System prompt: "tom_teste" --------------------------------------------------
(585 caracteres)
--------------------------------------------------------------------------------
Você é assistente de análise de conteúdo qualitativa.
Classifique o tom do discurso.
Cada texto deve ser classificado em EXATAMENTE UMA categoria.
CATEGORIAS:
- positivo: Tom propositivo e colaborativo.
Exemplos positivos:
- Proponho que trabalhemos juntos.
Exemplos negativos:
- Este governo e um fracasso.
- negativo: Tom critico e confrontacional.
Exemplos positivos:
- Esta proposta vai arruinar o pais.
Exemplos negativos:
- Apresento esta emenda.
Responda SEMPRE em JSON válido:
{
"categoria": "positivo|negativo"
"raciocinio": "1 frase curta",
}
--------------------------------------------------------------------------------
-- System prompt: "tom_teste" --------------------------------------------------
(585 caracteres)
--------------------------------------------------------------------------------
Você é assistente de análise de conteúdo qualitativa.
Classifique o tom do discurso.
Cada texto deve ser classificado em EXATAMENTE UMA categoria.
CATEGORIAS:
- positivo: Tom propositivo e colaborativo.
Exemplos positivos:
- Proponho que trabalhemos juntos.
Exemplos negativos:
- Este governo e um fracasso.
- negativo: Tom critico e confrontacional.
Exemplos positivos:
- Esta proposta vai arruinar o pais.
Exemplos negativos:
- Apresento esta emenda.
Responda SEMPRE em JSON válido:
{
"categoria": "positivo|negativo"
"raciocinio": "1 frase curta",
}
--------------------------------------------------------------------------------
-- System prompt: "tom_teste" --------------------------------------------------
(552 caracteres)
--------------------------------------------------------------------------------
Você é assistente de análise de conteúdo qualitativa.
Classifique o tom do discurso.
Cada texto deve ser classificado em EXATAMENTE UMA categoria.
CATEGORIAS:
- positivo: Tom propositivo e colaborativo.
Exemplos positivos:
- Proponho que trabalhemos juntos.
Exemplos negativos:
- Este governo e um fracasso.
- negativo: Tom critico e confrontacional.
Exemplos positivos:
- Esta proposta vai arruinar o pais.
Exemplos negativos:
- Apresento esta emenda.
Responda SEMPRE em JSON válido:
{
"categoria": "positivo|negativo"
}
--------------------------------------------------------------------------------
-- System prompt: "tom_teste" --------------------------------------------------
(584 caracteres)
--------------------------------------------------------------------------------
Você é assistente de análise de conteúdo qualitativa.
Classifique o tom do discurso.
Cada texto deve ser classificado em EXATAMENTE UMA categoria.
CATEGORIAS:
- positivo: Tom propositivo e colaborativo.
Exemplos positivos:
- Proponho que trabalhemos juntos.
Exemplos negativos:
- Este governo e um fracasso.
- negativo: Tom critico e confrontacional.
Exemplos positivos:
- Esta proposta vai arruinar o pais.
Exemplos negativos:
- Apresento esta emenda.
Responda SEMPRE em JSON válido:
{
"categoria": "positivo|negativo"
"raciocinio": "um parágrafo",
}
--------------------------------------------------------------------------------
! Categoria "a": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "a": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "b": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "b": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
-- System prompt: "multi" ------------------------------------------------------
(246 caracteres)
--------------------------------------------------------------------------------
Você é assistente de análise de conteúdo qualitativa.
Classifique.
Um texto pode pertencer a MAIS DE UMA categoria.
CATEGORIAS:
- a: Def A.
- b: Def B.
Responda SEMPRE em JSON válido:
{
"categoria": "a|b"
"raciocinio": "1 frase curta",
}
--------------------------------------------------------------------------------
! Categoria "positive": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "positive": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "negative": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "negative": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
Já em "en".
! Categoria "favoravel": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "favoravel": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "favoravel2": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "favoravel2": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
i Verificando sobreposição entre definições...
! Categoria "economico": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "economico": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "cultural": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "cultural": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
i Verificando sobreposição entre definições...
v Nenhuma sobreposição detectada entre as definições.
-- Confiabilidade inter-anotador (acR) --
* Documentos comparados: 10
* Categorias: conservador, progressista, tecnocratico
Metrica Estimativa IC 95% Interpretacao
-------------------------------------------------------------------------------------
Percent Agreement 0.800 [, ] Muito bom
Cohen's Kappa (unweighted) 0.688 [0.266, 1.109] Substancial
Fleiss' Kappa 0.680 [0.233, 1.127] Substancial
Krippendorff's Alpha (nominal) 0.696 [, ] Substancial
Matriz de confusao:
Predicted
Gold conservador progressista tecnocratico
conservador 2 1 0
progressista 0 4 0
tecnocratico 0 1 2
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "coding" | Budget: "medium" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "coding" | Budget: "medium" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "coding" | Budget: "medium" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "coding" | Budget: "medium" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "coding" | Budget: "medium" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "coding" | Budget: "free" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "coding" | Budget: "low" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "coding" | Budget: "medium" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "literature" | Budget: "high" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "coding" | Budget: "medium" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
Calculando confiabilidade em 10 documentos comuns...
i Interpretação baseada em Landis & Koch (1977) e Gwet (2014).
i IC 95% via bootstrap (n = 50).
Calculando confiabilidade em 10 documentos comuns...
i Interpretação baseada em Landis & Koch (1977) e Gwet (2014).
i IC 95% via bootstrap (n = 50).
Calculando confiabilidade em 10 documentos comuns...
i Interpretação baseada em Landis & Koch (1977) e Gwet (2014).
i IC 95% via bootstrap (n = 50).
Calculando confiabilidade em 10 documentos comuns...
i Interpretação baseada em Landis & Koch (1977) e Gwet (2014).
i IC 95% via bootstrap (n = 50).
Calculando confiabilidade em 5 documentos comuns...
i Interpretação baseada em Landis & Koch (1977) e Gwet (2014).
i IC 95% via bootstrap (n = 50).
Calculando confiabilidade em 5 documentos comuns...
i Interpretação baseada em Landis & Koch (1977) e Gwet (2014).
i IC 95% via bootstrap (n = 50).
i Amostra de 5 documentos selecionada (estratégia: "random").
i Use `ac_qual_export_for_review()` para exportar para Excel.
i Amostra de 3 documentos selecionada (estratégia: "uncertainty").
i Use `ac_qual_export_for_review()` para exportar para Excel.
i Amostra de 6 documentos selecionada (estratégia: "stratified").
i Use `ac_qual_export_for_review()` para exportar para Excel.
i Amostra de 4 documentos selecionada (estratégia: "disagreement").
i Use `ac_qual_export_for_review()` para exportar para Excel.
i Amostra de 10 documentos selecionada (estratégia: "random").
i Use `ac_qual_export_for_review()` para exportar para Excel.
i Amostra de 3 documentos selecionada (estratégia: "uncertainty").
i Use `ac_qual_export_for_review()` para exportar para Excel.
i Amostra de 5 documentos selecionada (estratégia: "random").
i Use `ac_qual_export_for_review()` para exportar para Excel.
i Amostra de 4 documentos selecionada (estratégia: "random").
i Use `ac_qual_export_for_review()` para exportar para Excel.
i Amostra de 3 documentos selecionada (estratégia: "random").
i Use `ac_qual_export_for_review()` para exportar para Excel.
i Amostra de 5 documentos selecionada (estratégia: "random").
i Use `ac_qual_export_for_review()` para exportar para Excel.
! Categoria "favor": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "contra": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "contra": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Relatorio salvo em '/tmp/RtmpSH87MK/working_dir/Rtmp0QZbYM/file20301371f11765.md'
! Categoria "favor": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "contra": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "contra": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Report saved to '/tmp/RtmpSH87MK/working_dir/Rtmp0QZbYM/file2030132405dea1.md'
! Categoria "favor": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "contra": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "contra": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Relatorio salvo em '/tmp/RtmpSH87MK/working_dir/Rtmp0QZbYM/file20301329d57ffa.md'
! Categoria "favor": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "contra": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "contra": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "favor": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "contra": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "contra": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Relatorio salvo em '/tmp/RtmpSH87MK/working_dir/Rtmp0QZbYM/file203013d920443.md'
Saving _problems/test-plots-snapshot-56.R
[ FAIL 1 | WARN 2 | SKIP 18 | PASS 744 ]
══ Skipped tests (18) ══════════════════════════════════════════════════════════
• On CRAN (17): 'test-ac_fetch_camara.R:111:3', 'test-ac_fetch_camara.R:138:3',
'test-ac_fetch_camara.R:154:3', 'test-ac_fetch_senado.R:2:3',
'test-ac_fetch_senado.R:21:3', 'test-ac_qual_code.R:84:3',
'test-ac_qual_code.R:117:3', 'test-ac_qual_code.R:149:3',
'test-ac_qual_code.R:174:3', 'test-ac_qual_codebook.R:143:3',
'test-ac_qual_codebook.R:421:3', 'test-ac_qual_codebook.R:472:3',
'test-ac_qual_search_literature.R:113:3',
'test-ac_qual_search_literature.R:141:3',
'test-ac_qual_search_literature.R:155:3',
'test-ac_qual_search_literature.R:183:3',
'test-ac_qual_search_literature.R:214:3'
• no Google credentials available (1): 'test-ac_ellmer_chat.R:37:7'
══ Failed tests ════════════════════════════════════════════════════════════════
── Failure ('test-plots-snapshot.R:56:3'): ac_plot_top_terms() gera ggplot valido ──
Expected `"labels" %in% names(p)` to be TRUE.
Differences:
`actual`: FALSE
`expected`: TRUE
[ FAIL 1 | WARN 2 | SKIP 18 | PASS 744 ]
Error:
! Test failures.
Execution halted
Flavor: r-devel-linux-x86_64-fedora-gcc
Version: 0.3.2
Check: tests
Result: ERROR
Running ‘spelling.R’ [0s/0s]
Running ‘testthat.R’ [9s/10s]
Running the tests in ‘tests/testthat.R’ failed.
Complete output:
> # Este arquivo faz parte da infraestrutura de testes do pacote.
> # Veja https://r-pkgs.org/testing-design.html#sec-tests-files-overview
>
> library(testthat)
> library(acR)
>
> test_check("acR")
v Limpeza concluída.
i Tokens antes: 30 | após: 29 (1 removidos).
i Documentos vazios após limpeza: 0.
i Etapas aplicadas: "remove_url", "remove_email", "lower", "remove_punct", and "strip_whitespace".
-- Cluster de documentos (acR) --
* Metodo: "hclust" | features: "tfidf" | distancia: "cosine"
* k = 2 | n = 8 documentos
* Silhueta media: 0.407
# A tibble: 2 x 2
doc_id text
<chr> <chr>
1 doc_1 A
2 doc_2 B
-- Corpus acR ------------------------------------------------------------------
* Documentos: 2
* Metadados: 0 colunas
* Idioma: "pt"
-- Corpus acR ------------------------------------------------------------------
* Documentos: 2
* Metadados: 0 colunas
* Idioma: "pt"
# A tibble: 2 x 2
doc_id text
<chr> <chr>
1 doc_1 A
2 doc_2 B
Ajustando LDA com k = 3 tópicos...
Ajustando LDA com k = 3 tópicos...
Ajustando LDA com k = 2 tópicos...
Ajustando LDA com k = 2 tópicos...
Ajustando LDA com k = 2 tópicos...
-- Modelo LDA acR --------------------------------------------------------------
* Tópicos (k): 2
* Método: "VEM"
* Semente: 1
* Termos únicos: 30
* Documentos: 8
Testando k = 2 a 3...
Ajustando LDA com k = 2 tópicos...
Testando k = 2 a 3...
! Categoria "a": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "a": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "b": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "b": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "positivo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "positivo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "negativo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "negativo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "neutro": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "neutro": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "positivo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "positivo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "negativo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "negativo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "neutro": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "neutro": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "positivo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "positivo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "negativo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "negativo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "neutro": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "neutro": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "a": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "a": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "b": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "b": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
-- Codebook acR: "tom_teste" ---------------------------------------------------
* Modo: "manual"
* Categorias (2): "positivo" and "negativo"
* Multilabel: FALSE
* Idioma: "pt"
* Criado em: 10/08/2026 19:39
Instrução geral:
Classifique o tom do discurso.
Categorias:
• "positivo": Tom propositivo e colaborativo.
Ex+: Proponho que trabalhemos juntos.
• "negativo": Tom critico e confrontacional.
Ex+: Esta proposta vai arruinar o pais.
-- Resumo do codebook "tom_teste" ----------------------------------------------
# A tibble: 2 x 6
categoria tem_definicao n_ex_pos n_ex_neg n_refs weight
<chr> <lgl> <int> <int> <int> <dbl>
1 positivo TRUE 1 1 0 1
2 negativo TRUE 1 1 0 1
✅ Codebook salvo em '/Volumes/Temp/tmp/RtmpmmLgKN/file15e18421165e1.yaml'
✅ Codebook salvo em '/Volumes/Temp/tmp/RtmpmmLgKN/file15e182bb17307.yaml'
! Categoria "formal": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "formal": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "informal": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "informal": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Fundidos: 4 categorias.
! Categoria "positivo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "positivo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "neutro": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "neutro": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Fundidos: 3 categorias.
! Categoria "positivo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "positivo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "neutro": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "neutro": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Fundidos: 3 categorias.
! Categoria "positivo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "positivo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "neutro": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "neutro": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Fundidos: 4 categorias.
! Categoria "positivo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "positivo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "neutro": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "neutro": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "x": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "x": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "y": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "y": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Fundidos: 4 categorias.
Nenhuma modificação.
! Categoria "x": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "x": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "y": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "y": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Fundidos: 4 categorias.
-- Histórico: "tom_teste_cb2" --------------------------------------------------
# A tibble: 1 x 3
timestamp action detail
<chr> <chr> <chr>
1 2026-08-10 19:39:12 merge tom_teste + cb2
! Categoria "neutro": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "neutro": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v 1 categoria adicionada: "neutro".
i Codebook agora tem 3 categorias.
! Categoria "tecnico": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "tecnico": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v 1 categoria adicionada: "tecnico".
i Codebook agora tem 4 categorias.
v 1 categoria removida: "tecnico".
i Codebook agora tem 3 categorias.
-- Histórico: "tom_teste" ------------------------------------------------------
# A tibble: 3 x 3
timestamp action detail
<chr> <chr> <chr>
1 2026-08-10 19:39:12 add neutro
2 2026-08-10 19:39:13 add tecnico
3 2026-08-10 19:39:13 remove tecnico
-- Histórico: "tom_teste" ------------------------------------------------------
# A tibble: 1 x 3
timestamp action detail
<chr> <chr> <chr>
1 2026-08-10 19:39:12 add neutro
-- System prompt: "tom_teste" --------------------------------------------------
(585 caracteres)
--------------------------------------------------------------------------------
Você é assistente de análise de conteúdo qualitativa.
Classifique o tom do discurso.
Cada texto deve ser classificado em EXATAMENTE UMA categoria.
CATEGORIAS:
- positivo: Tom propositivo e colaborativo.
Exemplos positivos:
- Proponho que trabalhemos juntos.
Exemplos negativos:
- Este governo e um fracasso.
- negativo: Tom critico e confrontacional.
Exemplos positivos:
- Esta proposta vai arruinar o pais.
Exemplos negativos:
- Apresento esta emenda.
Responda SEMPRE em JSON válido:
{
"categoria": "positivo|negativo"
"raciocinio": "1 frase curta",
}
--------------------------------------------------------------------------------
-- System prompt: "tom_teste" --------------------------------------------------
(585 caracteres)
--------------------------------------------------------------------------------
Você é assistente de análise de conteúdo qualitativa.
Classifique o tom do discurso.
Cada texto deve ser classificado em EXATAMENTE UMA categoria.
CATEGORIAS:
- positivo: Tom propositivo e colaborativo.
Exemplos positivos:
- Proponho que trabalhemos juntos.
Exemplos negativos:
- Este governo e um fracasso.
- negativo: Tom critico e confrontacional.
Exemplos positivos:
- Esta proposta vai arruinar o pais.
Exemplos negativos:
- Apresento esta emenda.
Responda SEMPRE em JSON válido:
{
"categoria": "positivo|negativo"
"raciocinio": "1 frase curta",
}
--------------------------------------------------------------------------------
-- System prompt: "tom_teste" --------------------------------------------------
(552 caracteres)
--------------------------------------------------------------------------------
Você é assistente de análise de conteúdo qualitativa.
Classifique o tom do discurso.
Cada texto deve ser classificado em EXATAMENTE UMA categoria.
CATEGORIAS:
- positivo: Tom propositivo e colaborativo.
Exemplos positivos:
- Proponho que trabalhemos juntos.
Exemplos negativos:
- Este governo e um fracasso.
- negativo: Tom critico e confrontacional.
Exemplos positivos:
- Esta proposta vai arruinar o pais.
Exemplos negativos:
- Apresento esta emenda.
Responda SEMPRE em JSON válido:
{
"categoria": "positivo|negativo"
}
--------------------------------------------------------------------------------
-- System prompt: "tom_teste" --------------------------------------------------
(584 caracteres)
--------------------------------------------------------------------------------
Você é assistente de análise de conteúdo qualitativa.
Classifique o tom do discurso.
Cada texto deve ser classificado em EXATAMENTE UMA categoria.
CATEGORIAS:
- positivo: Tom propositivo e colaborativo.
Exemplos positivos:
- Proponho que trabalhemos juntos.
Exemplos negativos:
- Este governo e um fracasso.
- negativo: Tom critico e confrontacional.
Exemplos positivos:
- Esta proposta vai arruinar o pais.
Exemplos negativos:
- Apresento esta emenda.
Responda SEMPRE em JSON válido:
{
"categoria": "positivo|negativo"
"raciocinio": "um parágrafo",
}
--------------------------------------------------------------------------------
! Categoria "a": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "a": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "b": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "b": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
-- System prompt: "multi" ------------------------------------------------------
(246 caracteres)
--------------------------------------------------------------------------------
Você é assistente de análise de conteúdo qualitativa.
Classifique.
Um texto pode pertencer a MAIS DE UMA categoria.
CATEGORIAS:
- a: Def A.
- b: Def B.
Responda SEMPRE em JSON válido:
{
"categoria": "a|b"
"raciocinio": "1 frase curta",
}
--------------------------------------------------------------------------------
! Categoria "positive": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "positive": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "negative": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "negative": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
Já em "en".
! Categoria "favoravel": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "favoravel": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "favoravel2": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "favoravel2": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
i Verificando sobreposição entre definições...
! Categoria "economico": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "economico": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "cultural": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "cultural": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
i Verificando sobreposição entre definições...
v Nenhuma sobreposição detectada entre as definições.
-- Confiabilidade inter-anotador (acR) --
* Documentos comparados: 10
* Categorias: conservador, progressista, tecnocratico
Metrica Estimativa IC 95% Interpretacao
-------------------------------------------------------------------------------------
Percent Agreement 0.800 [, ] Muito bom
Cohen's Kappa (unweighted) 0.688 [0.266, 1.109] Substancial
Fleiss' Kappa 0.680 [0.233, 1.127] Substancial
Krippendorff's Alpha (nominal) 0.696 [, ] Substancial
Matriz de confusao:
Predicted
Gold conservador progressista tecnocratico
conservador 2 1 0
progressista 0 4 0
tecnocratico 0 1 2
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "coding" | Budget: "medium" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "coding" | Budget: "medium" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "coding" | Budget: "medium" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "coding" | Budget: "medium" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "coding" | Budget: "medium" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "coding" | Budget: "free" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "coding" | Budget: "low" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "coding" | Budget: "medium" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "literature" | Budget: "high" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "coding" | Budget: "medium" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
Calculando confiabilidade em 10 documentos comuns...
i Interpretação baseada em Landis & Koch (1977) e Gwet (2014).
i IC 95% via bootstrap (n = 50).
Calculando confiabilidade em 10 documentos comuns...
i Interpretação baseada em Landis & Koch (1977) e Gwet (2014).
i IC 95% via bootstrap (n = 50).
Calculando confiabilidade em 10 documentos comuns...
i Interpretação baseada em Landis & Koch (1977) e Gwet (2014).
i IC 95% via bootstrap (n = 50).
Calculando confiabilidade em 10 documentos comuns...
i Interpretação baseada em Landis & Koch (1977) e Gwet (2014).
i IC 95% via bootstrap (n = 50).
Calculando confiabilidade em 5 documentos comuns...
i Interpretação baseada em Landis & Koch (1977) e Gwet (2014).
i IC 95% via bootstrap (n = 50).
Calculando confiabilidade em 5 documentos comuns...
i Interpretação baseada em Landis & Koch (1977) e Gwet (2014).
i IC 95% via bootstrap (n = 50).
i Amostra de 5 documentos selecionada (estratégia: "random").
i Use `ac_qual_export_for_review()` para exportar para Excel.
i Amostra de 3 documentos selecionada (estratégia: "uncertainty").
i Use `ac_qual_export_for_review()` para exportar para Excel.
i Amostra de 6 documentos selecionada (estratégia: "stratified").
i Use `ac_qual_export_for_review()` para exportar para Excel.
i Amostra de 4 documentos selecionada (estratégia: "disagreement").
i Use `ac_qual_export_for_review()` para exportar para Excel.
i Amostra de 10 documentos selecionada (estratégia: "random").
i Use `ac_qual_export_for_review()` para exportar para Excel.
i Amostra de 3 documentos selecionada (estratégia: "uncertainty").
i Use `ac_qual_export_for_review()` para exportar para Excel.
i Amostra de 5 documentos selecionada (estratégia: "random").
i Use `ac_qual_export_for_review()` para exportar para Excel.
i Amostra de 4 documentos selecionada (estratégia: "random").
i Use `ac_qual_export_for_review()` para exportar para Excel.
i Amostra de 3 documentos selecionada (estratégia: "random").
i Use `ac_qual_export_for_review()` para exportar para Excel.
i Amostra de 5 documentos selecionada (estratégia: "random").
i Use `ac_qual_export_for_review()` para exportar para Excel.
! Categoria "favor": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "contra": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "contra": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Relatorio salvo em '/Volumes/Temp/tmp/RtmpmmLgKN/file15e181710e08c.md'
! Categoria "favor": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "contra": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "contra": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Report saved to '/Volumes/Temp/tmp/RtmpmmLgKN/file15e187e9ce90c.md'
! Categoria "favor": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "contra": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "contra": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Relatorio salvo em '/Volumes/Temp/tmp/RtmpmmLgKN/file15e18506757d.md'
! Categoria "favor": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "contra": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "contra": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "favor": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "contra": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "contra": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Relatorio salvo em '/Volumes/Temp/tmp/RtmpmmLgKN/file15e185943564b.md'
Saving _problems/test-plots-snapshot-56.R
[ FAIL 1 | WARN 2 | SKIP 18 | PASS 744 ]
══ Skipped tests (18) ══════════════════════════════════════════════════════════
• On CRAN (17): 'test-ac_fetch_camara.R:111:3', 'test-ac_fetch_camara.R:138:3',
'test-ac_fetch_camara.R:154:3', 'test-ac_fetch_senado.R:2:3',
'test-ac_fetch_senado.R:21:3', 'test-ac_qual_code.R:84:3',
'test-ac_qual_code.R:117:3', 'test-ac_qual_code.R:149:3',
'test-ac_qual_code.R:174:3', 'test-ac_qual_codebook.R:143:3',
'test-ac_qual_codebook.R:421:3', 'test-ac_qual_codebook.R:472:3',
'test-ac_qual_search_literature.R:113:3',
'test-ac_qual_search_literature.R:141:3',
'test-ac_qual_search_literature.R:155:3',
'test-ac_qual_search_literature.R:183:3',
'test-ac_qual_search_literature.R:214:3'
• no Google credentials available (1): 'test-ac_ellmer_chat.R:37:7'
══ Failed tests ════════════════════════════════════════════════════════════════
── Failure ('test-plots-snapshot.R:56:3'): ac_plot_top_terms() gera ggplot valido ──
Expected `"labels" %in% names(p)` to be TRUE.
Differences:
`actual`: FALSE
`expected`: TRUE
[ FAIL 1 | WARN 2 | SKIP 18 | PASS 744 ]
Error:
! Test failures.
Execution halted
Flavor: r-release-macos-arm64
Version: 0.3.2
Check: tests
Result: ERROR
Running ‘spelling.R’ [0s/0s]
Running ‘testthat.R’ [27s/32s]
Running the tests in ‘tests/testthat.R’ failed.
Complete output:
> # Este arquivo faz parte da infraestrutura de testes do pacote.
> # Veja https://r-pkgs.org/testing-design.html#sec-tests-files-overview
>
> library(testthat)
> library(acR)
>
> test_check("acR")
v Limpeza concluída.
i Tokens antes: 30 | após: 29 (1 removidos).
i Documentos vazios após limpeza: 0.
i Etapas aplicadas: "remove_url", "remove_email", "lower", "remove_punct", and "strip_whitespace".
-- Cluster de documentos (acR) --
* Metodo: "hclust" | features: "tfidf" | distancia: "cosine"
* k = 2 | n = 8 documentos
* Silhueta media: 0.407
# A tibble: 2 x 2
doc_id text
<chr> <chr>
1 doc_1 A
2 doc_2 B
-- Corpus acR ------------------------------------------------------------------
* Documentos: 2
* Metadados: 0 colunas
* Idioma: "pt"
-- Corpus acR ------------------------------------------------------------------
* Documentos: 2
* Metadados: 0 colunas
* Idioma: "pt"
# A tibble: 2 x 2
doc_id text
<chr> <chr>
1 doc_1 A
2 doc_2 B
Ajustando LDA com k = 3 tópicos...
Ajustando LDA com k = 3 tópicos...
Ajustando LDA com k = 2 tópicos...
Ajustando LDA com k = 2 tópicos...
Ajustando LDA com k = 2 tópicos...
-- Modelo LDA acR --------------------------------------------------------------
* Tópicos (k): 2
* Método: "VEM"
* Semente: 1
* Termos únicos: 30
* Documentos: 8
Testando k = 2 a 3...
Ajustando LDA com k = 2 tópicos...
Testando k = 2 a 3...
! Categoria "a": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "a": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "b": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "b": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "positivo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "positivo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "negativo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "negativo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "neutro": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "neutro": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "positivo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "positivo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "negativo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "negativo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "neutro": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "neutro": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "positivo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "positivo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "negativo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "negativo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "neutro": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "neutro": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "a": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "a": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "b": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "b": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
-- Codebook acR: "tom_teste" ---------------------------------------------------
* Modo: "manual"
* Categorias (2): "positivo" and "negativo"
* Multilabel: FALSE
* Idioma: "pt"
* Criado em: 10/08/2026 01:55
Instrução geral:
Classifique o tom do discurso.
Categorias:
• "positivo": Tom propositivo e colaborativo.
Ex+: Proponho que trabalhemos juntos.
• "negativo": Tom critico e confrontacional.
Ex+: Esta proposta vai arruinar o pais.
-- Resumo do codebook "tom_teste" ----------------------------------------------
# A tibble: 2 x 6
categoria tem_definicao n_ex_pos n_ex_neg n_refs weight
<chr> <lgl> <int> <int> <int> <dbl>
1 positivo TRUE 1 1 0 1
2 negativo TRUE 1 1 0 1
✅ Codebook salvo em '/Volumes/Temp/tmp/RtmpzqEmtc/fileb5551802f6db.yaml'
✅ Codebook salvo em '/Volumes/Temp/tmp/RtmpzqEmtc/fileb5555cd5f143.yaml'
! Categoria "formal": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "formal": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "informal": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "informal": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Fundidos: 4 categorias.
! Categoria "positivo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "positivo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "neutro": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "neutro": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Fundidos: 3 categorias.
! Categoria "positivo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "positivo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "neutro": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "neutro": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Fundidos: 3 categorias.
! Categoria "positivo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "positivo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "neutro": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "neutro": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Fundidos: 4 categorias.
! Categoria "positivo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "positivo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "neutro": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "neutro": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "x": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "x": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "y": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "y": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Fundidos: 4 categorias.
Nenhuma modificação.
! Categoria "x": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "x": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "y": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "y": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Fundidos: 4 categorias.
-- Histórico: "tom_teste_cb2" --------------------------------------------------
# A tibble: 1 x 3
timestamp action detail
<chr> <chr> <chr>
1 2026-08-10 01:55:58 merge tom_teste + cb2
! Categoria "neutro": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "neutro": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v 1 categoria adicionada: "neutro".
i Codebook agora tem 3 categorias.
! Categoria "tecnico": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "tecnico": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v 1 categoria adicionada: "tecnico".
i Codebook agora tem 4 categorias.
v 1 categoria removida: "tecnico".
i Codebook agora tem 3 categorias.
-- Histórico: "tom_teste" ------------------------------------------------------
# A tibble: 3 x 3
timestamp action detail
<chr> <chr> <chr>
1 2026-08-10 01:55:58 add neutro
2 2026-08-10 01:55:58 add tecnico
3 2026-08-10 01:55:58 remove tecnico
-- Histórico: "tom_teste" ------------------------------------------------------
# A tibble: 1 x 3
timestamp action detail
<chr> <chr> <chr>
1 2026-08-10 01:55:58 add neutro
-- System prompt: "tom_teste" --------------------------------------------------
(585 caracteres)
--------------------------------------------------------------------------------
Você é assistente de análise de conteúdo qualitativa.
Classifique o tom do discurso.
Cada texto deve ser classificado em EXATAMENTE UMA categoria.
CATEGORIAS:
- positivo: Tom propositivo e colaborativo.
Exemplos positivos:
- Proponho que trabalhemos juntos.
Exemplos negativos:
- Este governo e um fracasso.
- negativo: Tom critico e confrontacional.
Exemplos positivos:
- Esta proposta vai arruinar o pais.
Exemplos negativos:
- Apresento esta emenda.
Responda SEMPRE em JSON válido:
{
"categoria": "positivo|negativo"
"raciocinio": "1 frase curta",
}
--------------------------------------------------------------------------------
-- System prompt: "tom_teste" --------------------------------------------------
(585 caracteres)
--------------------------------------------------------------------------------
Você é assistente de análise de conteúdo qualitativa.
Classifique o tom do discurso.
Cada texto deve ser classificado em EXATAMENTE UMA categoria.
CATEGORIAS:
- positivo: Tom propositivo e colaborativo.
Exemplos positivos:
- Proponho que trabalhemos juntos.
Exemplos negativos:
- Este governo e um fracasso.
- negativo: Tom critico e confrontacional.
Exemplos positivos:
- Esta proposta vai arruinar o pais.
Exemplos negativos:
- Apresento esta emenda.
Responda SEMPRE em JSON válido:
{
"categoria": "positivo|negativo"
"raciocinio": "1 frase curta",
}
--------------------------------------------------------------------------------
-- System prompt: "tom_teste" --------------------------------------------------
(552 caracteres)
--------------------------------------------------------------------------------
Você é assistente de análise de conteúdo qualitativa.
Classifique o tom do discurso.
Cada texto deve ser classificado em EXATAMENTE UMA categoria.
CATEGORIAS:
- positivo: Tom propositivo e colaborativo.
Exemplos positivos:
- Proponho que trabalhemos juntos.
Exemplos negativos:
- Este governo e um fracasso.
- negativo: Tom critico e confrontacional.
Exemplos positivos:
- Esta proposta vai arruinar o pais.
Exemplos negativos:
- Apresento esta emenda.
Responda SEMPRE em JSON válido:
{
"categoria": "positivo|negativo"
}
--------------------------------------------------------------------------------
-- System prompt: "tom_teste" --------------------------------------------------
(584 caracteres)
--------------------------------------------------------------------------------
Você é assistente de análise de conteúdo qualitativa.
Classifique o tom do discurso.
Cada texto deve ser classificado em EXATAMENTE UMA categoria.
CATEGORIAS:
- positivo: Tom propositivo e colaborativo.
Exemplos positivos:
- Proponho que trabalhemos juntos.
Exemplos negativos:
- Este governo e um fracasso.
- negativo: Tom critico e confrontacional.
Exemplos positivos:
- Esta proposta vai arruinar o pais.
Exemplos negativos:
- Apresento esta emenda.
Responda SEMPRE em JSON válido:
{
"categoria": "positivo|negativo"
"raciocinio": "um parágrafo",
}
--------------------------------------------------------------------------------
! Categoria "a": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "a": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "b": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "b": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
-- System prompt: "multi" ------------------------------------------------------
(246 caracteres)
--------------------------------------------------------------------------------
Você é assistente de análise de conteúdo qualitativa.
Classifique.
Um texto pode pertencer a MAIS DE UMA categoria.
CATEGORIAS:
- a: Def A.
- b: Def B.
Responda SEMPRE em JSON válido:
{
"categoria": "a|b"
"raciocinio": "1 frase curta",
}
--------------------------------------------------------------------------------
! Categoria "positive": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "positive": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "negative": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "negative": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
Já em "en".
! Categoria "favoravel": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "favoravel": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "favoravel2": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "favoravel2": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
i Verificando sobreposição entre definições...
! Categoria "economico": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "economico": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "cultural": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "cultural": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
i Verificando sobreposição entre definições...
v Nenhuma sobreposição detectada entre as definições.
-- Confiabilidade inter-anotador (acR) --
* Documentos comparados: 10
* Categorias: conservador, progressista, tecnocratico
Metrica Estimativa IC 95% Interpretacao
-------------------------------------------------------------------------------------
Percent Agreement 0.800 [, ] Muito bom
Cohen's Kappa (unweighted) 0.688 [0.266, 1.109] Substancial
Fleiss' Kappa 0.680 [0.233, 1.127] Substancial
Krippendorff's Alpha (nominal) 0.696 [, ] Substancial
Matriz de confusao:
Predicted
Gold conservador progressista tecnocratico
conservador 2 1 0
progressista 0 4 0
tecnocratico 0 1 2
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "coding" | Budget: "medium" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "coding" | Budget: "medium" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "coding" | Budget: "medium" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "coding" | Budget: "medium" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "coding" | Budget: "medium" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "coding" | Budget: "free" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "coding" | Budget: "low" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "coding" | Budget: "medium" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "literature" | Budget: "high" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "coding" | Budget: "medium" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
Calculando confiabilidade em 10 documentos comuns...
i Interpretação baseada em Landis & Koch (1977) e Gwet (2014).
i IC 95% via bootstrap (n = 50).
Calculando confiabilidade em 10 documentos comuns...
i Interpretação baseada em Landis & Koch (1977) e Gwet (2014).
i IC 95% via bootstrap (n = 50).
Calculando confiabilidade em 10 documentos comuns...
i Interpretação baseada em Landis & Koch (1977) e Gwet (2014).
i IC 95% via bootstrap (n = 50).
Calculando confiabilidade em 10 documentos comuns...
i Interpretação baseada em Landis & Koch (1977) e Gwet (2014).
i IC 95% via bootstrap (n = 50).
Calculando confiabilidade em 5 documentos comuns...
i Interpretação baseada em Landis & Koch (1977) e Gwet (2014).
i IC 95% via bootstrap (n = 50).
Calculando confiabilidade em 5 documentos comuns...
i Interpretação baseada em Landis & Koch (1977) e Gwet (2014).
i IC 95% via bootstrap (n = 50).
i Amostra de 5 documentos selecionada (estratégia: "random").
i Use `ac_qual_export_for_review()` para exportar para Excel.
i Amostra de 3 documentos selecionada (estratégia: "uncertainty").
i Use `ac_qual_export_for_review()` para exportar para Excel.
i Amostra de 6 documentos selecionada (estratégia: "stratified").
i Use `ac_qual_export_for_review()` para exportar para Excel.
i Amostra de 4 documentos selecionada (estratégia: "disagreement").
i Use `ac_qual_export_for_review()` para exportar para Excel.
i Amostra de 10 documentos selecionada (estratégia: "random").
i Use `ac_qual_export_for_review()` para exportar para Excel.
i Amostra de 3 documentos selecionada (estratégia: "uncertainty").
i Use `ac_qual_export_for_review()` para exportar para Excel.
i Amostra de 5 documentos selecionada (estratégia: "random").
i Use `ac_qual_export_for_review()` para exportar para Excel.
i Amostra de 4 documentos selecionada (estratégia: "random").
i Use `ac_qual_export_for_review()` para exportar para Excel.
i Amostra de 3 documentos selecionada (estratégia: "random").
i Use `ac_qual_export_for_review()` para exportar para Excel.
i Amostra de 5 documentos selecionada (estratégia: "random").
i Use `ac_qual_export_for_review()` para exportar para Excel.
! Categoria "favor": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "contra": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "contra": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Relatorio salvo em '/Volumes/Temp/tmp/RtmpzqEmtc/fileb5553745aef1.md'
! Categoria "favor": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "contra": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "contra": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Report saved to '/Volumes/Temp/tmp/RtmpzqEmtc/fileb5555d23f3f2.md'
! Categoria "favor": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "contra": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "contra": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Relatorio salvo em '/Volumes/Temp/tmp/RtmpzqEmtc/fileb5552a9525c8.md'
! Categoria "favor": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "contra": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "contra": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "favor": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "contra": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "contra": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Relatorio salvo em '/Volumes/Temp/tmp/RtmpzqEmtc/fileb5556e81cb9c.md'
Saving _problems/test-plots-snapshot-56.R
[ FAIL 1 | WARN 2 | SKIP 18 | PASS 744 ]
══ Skipped tests (18) ══════════════════════════════════════════════════════════
• On CRAN (17): 'test-ac_fetch_camara.R:111:3', 'test-ac_fetch_camara.R:138:3',
'test-ac_fetch_camara.R:154:3', 'test-ac_fetch_senado.R:2:3',
'test-ac_fetch_senado.R:21:3', 'test-ac_qual_code.R:84:3',
'test-ac_qual_code.R:117:3', 'test-ac_qual_code.R:149:3',
'test-ac_qual_code.R:174:3', 'test-ac_qual_codebook.R:143:3',
'test-ac_qual_codebook.R:421:3', 'test-ac_qual_codebook.R:472:3',
'test-ac_qual_search_literature.R:113:3',
'test-ac_qual_search_literature.R:141:3',
'test-ac_qual_search_literature.R:155:3',
'test-ac_qual_search_literature.R:183:3',
'test-ac_qual_search_literature.R:214:3'
• no Google credentials available (1): 'test-ac_ellmer_chat.R:37:7'
══ Failed tests ════════════════════════════════════════════════════════════════
── Failure ('test-plots-snapshot.R:56:3'): ac_plot_top_terms() gera ggplot valido ──
Expected `"labels" %in% names(p)` to be TRUE.
Differences:
`actual`: FALSE
`expected`: TRUE
[ FAIL 1 | WARN 2 | SKIP 18 | PASS 744 ]
Error:
! Test failures.
Execution halted
Flavor: r-release-macos-x86_64
Version: 0.3.2
Check: tests
Result: ERROR
Running ‘spelling.R’ [0s/0s]
Running ‘testthat.R’ [8s/9s]
Running the tests in ‘tests/testthat.R’ failed.
Complete output:
> # Este arquivo faz parte da infraestrutura de testes do pacote.
> # Veja https://r-pkgs.org/testing-design.html#sec-tests-files-overview
>
> library(testthat)
> library(acR)
>
> test_check("acR")
v Limpeza concluída.
i Tokens antes: 30 | após: 29 (1 removidos).
i Documentos vazios após limpeza: 0.
i Etapas aplicadas: "remove_url", "remove_email", "lower", "remove_punct", and "strip_whitespace".
-- Cluster de documentos (acR) --
* Metodo: "hclust" | features: "tfidf" | distancia: "cosine"
* k = 2 | n = 8 documentos
* Silhueta media: 0.407
# A tibble: 2 x 2
doc_id text
<chr> <chr>
1 doc_1 A
2 doc_2 B
-- Corpus acR ------------------------------------------------------------------
* Documentos: 2
* Metadados: 0 colunas
* Idioma: "pt"
-- Corpus acR ------------------------------------------------------------------
* Documentos: 2
* Metadados: 0 colunas
* Idioma: "pt"
# A tibble: 2 x 2
doc_id text
<chr> <chr>
1 doc_1 A
2 doc_2 B
Ajustando LDA com k = 3 tópicos...
Ajustando LDA com k = 3 tópicos...
Ajustando LDA com k = 2 tópicos...
Ajustando LDA com k = 2 tópicos...
Ajustando LDA com k = 2 tópicos...
-- Modelo LDA acR --------------------------------------------------------------
* Tópicos (k): 2
* Método: "VEM"
* Semente: 1
* Termos únicos: 30
* Documentos: 8
Testando k = 2 a 3...
Ajustando LDA com k = 2 tópicos...
Testando k = 2 a 3...
! Categoria "a": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "a": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "b": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "b": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "positivo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "positivo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "negativo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "negativo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "neutro": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "neutro": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "positivo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "positivo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "negativo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "negativo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "neutro": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "neutro": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "positivo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "positivo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "negativo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "negativo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "neutro": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "neutro": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "a": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "a": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "b": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "b": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
-- Codebook acR: "tom_teste" ---------------------------------------------------
* Modo: "manual"
* Categorias (2): "positivo" and "negativo"
* Multilabel: FALSE
* Idioma: "pt"
* Criado em: 10/08/2026 19:24
Instrução geral:
Classifique o tom do discurso.
Categorias:
• "positivo": Tom propositivo e colaborativo.
Ex+: Proponho que trabalhemos juntos.
• "negativo": Tom critico e confrontacional.
Ex+: Esta proposta vai arruinar o pais.
-- Resumo do codebook "tom_teste" ----------------------------------------------
# A tibble: 2 x 6
categoria tem_definicao n_ex_pos n_ex_neg n_refs weight
<chr> <lgl> <int> <int> <int> <dbl>
1 positivo TRUE 1 1 0 1
2 negativo TRUE 1 1 0 1
✅ Codebook salvo em '/Volumes/Temp/tmp/RtmpsqLK3e/file5fe773d5e5fd.yaml'
✅ Codebook salvo em '/Volumes/Temp/tmp/RtmpsqLK3e/file5fe7537071df.yaml'
! Categoria "formal": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "formal": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "informal": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "informal": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Fundidos: 4 categorias.
! Categoria "positivo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "positivo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "neutro": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "neutro": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Fundidos: 3 categorias.
! Categoria "positivo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "positivo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "neutro": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "neutro": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Fundidos: 3 categorias.
! Categoria "positivo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "positivo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "neutro": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "neutro": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Fundidos: 4 categorias.
! Categoria "positivo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "positivo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "neutro": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "neutro": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "x": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "x": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "y": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "y": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Fundidos: 4 categorias.
Nenhuma modificação.
! Categoria "x": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "x": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "y": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "y": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Fundidos: 4 categorias.
-- Histórico: "tom_teste_cb2" --------------------------------------------------
# A tibble: 1 x 3
timestamp action detail
<chr> <chr> <chr>
1 2026-08-10 19:24:29 merge tom_teste + cb2
! Categoria "neutro": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "neutro": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v 1 categoria adicionada: "neutro".
i Codebook agora tem 3 categorias.
! Categoria "tecnico": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "tecnico": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v 1 categoria adicionada: "tecnico".
i Codebook agora tem 4 categorias.
v 1 categoria removida: "tecnico".
i Codebook agora tem 3 categorias.
-- Histórico: "tom_teste" ------------------------------------------------------
# A tibble: 3 x 3
timestamp action detail
<chr> <chr> <chr>
1 2026-08-10 19:24:29 add neutro
2 2026-08-10 19:24:30 add tecnico
3 2026-08-10 19:24:30 remove tecnico
-- Histórico: "tom_teste" ------------------------------------------------------
# A tibble: 1 x 3
timestamp action detail
<chr> <chr> <chr>
1 2026-08-10 19:24:29 add neutro
-- System prompt: "tom_teste" --------------------------------------------------
(585 caracteres)
--------------------------------------------------------------------------------
Você é assistente de análise de conteúdo qualitativa.
Classifique o tom do discurso.
Cada texto deve ser classificado em EXATAMENTE UMA categoria.
CATEGORIAS:
- positivo: Tom propositivo e colaborativo.
Exemplos positivos:
- Proponho que trabalhemos juntos.
Exemplos negativos:
- Este governo e um fracasso.
- negativo: Tom critico e confrontacional.
Exemplos positivos:
- Esta proposta vai arruinar o pais.
Exemplos negativos:
- Apresento esta emenda.
Responda SEMPRE em JSON válido:
{
"categoria": "positivo|negativo"
"raciocinio": "1 frase curta",
}
--------------------------------------------------------------------------------
-- System prompt: "tom_teste" --------------------------------------------------
(585 caracteres)
--------------------------------------------------------------------------------
Você é assistente de análise de conteúdo qualitativa.
Classifique o tom do discurso.
Cada texto deve ser classificado em EXATAMENTE UMA categoria.
CATEGORIAS:
- positivo: Tom propositivo e colaborativo.
Exemplos positivos:
- Proponho que trabalhemos juntos.
Exemplos negativos:
- Este governo e um fracasso.
- negativo: Tom critico e confrontacional.
Exemplos positivos:
- Esta proposta vai arruinar o pais.
Exemplos negativos:
- Apresento esta emenda.
Responda SEMPRE em JSON válido:
{
"categoria": "positivo|negativo"
"raciocinio": "1 frase curta",
}
--------------------------------------------------------------------------------
-- System prompt: "tom_teste" --------------------------------------------------
(552 caracteres)
--------------------------------------------------------------------------------
Você é assistente de análise de conteúdo qualitativa.
Classifique o tom do discurso.
Cada texto deve ser classificado em EXATAMENTE UMA categoria.
CATEGORIAS:
- positivo: Tom propositivo e colaborativo.
Exemplos positivos:
- Proponho que trabalhemos juntos.
Exemplos negativos:
- Este governo e um fracasso.
- negativo: Tom critico e confrontacional.
Exemplos positivos:
- Esta proposta vai arruinar o pais.
Exemplos negativos:
- Apresento esta emenda.
Responda SEMPRE em JSON válido:
{
"categoria": "positivo|negativo"
}
--------------------------------------------------------------------------------
-- System prompt: "tom_teste" --------------------------------------------------
(584 caracteres)
--------------------------------------------------------------------------------
Você é assistente de análise de conteúdo qualitativa.
Classifique o tom do discurso.
Cada texto deve ser classificado em EXATAMENTE UMA categoria.
CATEGORIAS:
- positivo: Tom propositivo e colaborativo.
Exemplos positivos:
- Proponho que trabalhemos juntos.
Exemplos negativos:
- Este governo e um fracasso.
- negativo: Tom critico e confrontacional.
Exemplos positivos:
- Esta proposta vai arruinar o pais.
Exemplos negativos:
- Apresento esta emenda.
Responda SEMPRE em JSON válido:
{
"categoria": "positivo|negativo"
"raciocinio": "um parágrafo",
}
--------------------------------------------------------------------------------
! Categoria "a": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "a": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "b": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "b": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
-- System prompt: "multi" ------------------------------------------------------
(246 caracteres)
--------------------------------------------------------------------------------
Você é assistente de análise de conteúdo qualitativa.
Classifique.
Um texto pode pertencer a MAIS DE UMA categoria.
CATEGORIAS:
- a: Def A.
- b: Def B.
Responda SEMPRE em JSON válido:
{
"categoria": "a|b"
"raciocinio": "1 frase curta",
}
--------------------------------------------------------------------------------
! Categoria "positive": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "positive": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "negative": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "negative": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
Já em "en".
! Categoria "favoravel": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "favoravel": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "favoravel2": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "favoravel2": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
i Verificando sobreposição entre definições...
! Categoria "economico": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "economico": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "cultural": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "cultural": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
i Verificando sobreposição entre definições...
v Nenhuma sobreposição detectada entre as definições.
-- Confiabilidade inter-anotador (acR) --
* Documentos comparados: 10
* Categorias: conservador, progressista, tecnocratico
Metrica Estimativa IC 95% Interpretacao
-------------------------------------------------------------------------------------
Percent Agreement 0.800 [, ] Muito bom
Cohen's Kappa (unweighted) 0.688 [0.266, 1.109] Substancial
Fleiss' Kappa 0.680 [0.233, 1.127] Substancial
Krippendorff's Alpha (nominal) 0.696 [, ] Substancial
Matriz de confusao:
Predicted
Gold conservador progressista tecnocratico
conservador 2 1 0
progressista 0 4 0
tecnocratico 0 1 2
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "coding" | Budget: "medium" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "coding" | Budget: "medium" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "coding" | Budget: "medium" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "coding" | Budget: "medium" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "coding" | Budget: "medium" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "coding" | Budget: "free" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "coding" | Budget: "low" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "coding" | Budget: "medium" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "literature" | Budget: "high" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "coding" | Budget: "medium" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
Calculando confiabilidade em 10 documentos comuns...
i Interpretação baseada em Landis & Koch (1977) e Gwet (2014).
i IC 95% via bootstrap (n = 50).
Calculando confiabilidade em 10 documentos comuns...
i Interpretação baseada em Landis & Koch (1977) e Gwet (2014).
i IC 95% via bootstrap (n = 50).
Calculando confiabilidade em 10 documentos comuns...
i Interpretação baseada em Landis & Koch (1977) e Gwet (2014).
i IC 95% via bootstrap (n = 50).
Calculando confiabilidade em 10 documentos comuns...
i Interpretação baseada em Landis & Koch (1977) e Gwet (2014).
i IC 95% via bootstrap (n = 50).
Calculando confiabilidade em 5 documentos comuns...
i Interpretação baseada em Landis & Koch (1977) e Gwet (2014).
i IC 95% via bootstrap (n = 50).
Calculando confiabilidade em 5 documentos comuns...
i Interpretação baseada em Landis & Koch (1977) e Gwet (2014).
i IC 95% via bootstrap (n = 50).
i Amostra de 5 documentos selecionada (estratégia: "random").
i Use `ac_qual_export_for_review()` para exportar para Excel.
i Amostra de 3 documentos selecionada (estratégia: "uncertainty").
i Use `ac_qual_export_for_review()` para exportar para Excel.
i Amostra de 6 documentos selecionada (estratégia: "stratified").
i Use `ac_qual_export_for_review()` para exportar para Excel.
i Amostra de 4 documentos selecionada (estratégia: "disagreement").
i Use `ac_qual_export_for_review()` para exportar para Excel.
i Amostra de 10 documentos selecionada (estratégia: "random").
i Use `ac_qual_export_for_review()` para exportar para Excel.
i Amostra de 3 documentos selecionada (estratégia: "uncertainty").
i Use `ac_qual_export_for_review()` para exportar para Excel.
i Amostra de 5 documentos selecionada (estratégia: "random").
i Use `ac_qual_export_for_review()` para exportar para Excel.
i Amostra de 4 documentos selecionada (estratégia: "random").
i Use `ac_qual_export_for_review()` para exportar para Excel.
i Amostra de 3 documentos selecionada (estratégia: "random").
i Use `ac_qual_export_for_review()` para exportar para Excel.
i Amostra de 5 documentos selecionada (estratégia: "random").
i Use `ac_qual_export_for_review()` para exportar para Excel.
! Categoria "favor": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "contra": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "contra": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Relatorio salvo em '/Volumes/Temp/tmp/RtmpsqLK3e/file5fe725945ab7.md'
! Categoria "favor": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "contra": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "contra": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Report saved to '/Volumes/Temp/tmp/RtmpsqLK3e/file5fe710d5a264.md'
! Categoria "favor": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "contra": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "contra": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Relatorio salvo em '/Volumes/Temp/tmp/RtmpsqLK3e/file5fe771adfaf7.md'
! Categoria "favor": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "contra": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "contra": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "favor": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "contra": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "contra": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Relatorio salvo em '/Volumes/Temp/tmp/RtmpsqLK3e/file5fe750225627.md'
Saving _problems/test-plots-snapshot-56.R
[ FAIL 1 | WARN 2 | SKIP 18 | PASS 744 ]
══ Skipped tests (18) ══════════════════════════════════════════════════════════
• On CRAN (17): 'test-ac_fetch_camara.R:111:3', 'test-ac_fetch_camara.R:138:3',
'test-ac_fetch_camara.R:154:3', 'test-ac_fetch_senado.R:2:3',
'test-ac_fetch_senado.R:21:3', 'test-ac_qual_code.R:84:3',
'test-ac_qual_code.R:117:3', 'test-ac_qual_code.R:149:3',
'test-ac_qual_code.R:174:3', 'test-ac_qual_codebook.R:143:3',
'test-ac_qual_codebook.R:421:3', 'test-ac_qual_codebook.R:472:3',
'test-ac_qual_search_literature.R:113:3',
'test-ac_qual_search_literature.R:141:3',
'test-ac_qual_search_literature.R:155:3',
'test-ac_qual_search_literature.R:183:3',
'test-ac_qual_search_literature.R:214:3'
• no Google credentials available (1): 'test-ac_ellmer_chat.R:37:7'
══ Failed tests ════════════════════════════════════════════════════════════════
── Failure ('test-plots-snapshot.R:56:3'): ac_plot_top_terms() gera ggplot valido ──
Expected `"labels" %in% names(p)` to be TRUE.
Differences:
`actual`: FALSE
`expected`: TRUE
[ FAIL 1 | WARN 2 | SKIP 18 | PASS 744 ]
Error:
! Test failures.
Execution halted
Flavor: r-oldrel-macos-arm64
Version: 0.3.2
Check: tests
Result: ERROR
Running ‘spelling.R’ [0s/0s]
Running ‘testthat.R’ [29s/50s]
Running the tests in ‘tests/testthat.R’ failed.
Complete output:
> # Este arquivo faz parte da infraestrutura de testes do pacote.
> # Veja https://r-pkgs.org/testing-design.html#sec-tests-files-overview
>
> library(testthat)
> library(acR)
>
> test_check("acR")
v Limpeza concluída.
i Tokens antes: 30 | após: 29 (1 removidos).
i Documentos vazios após limpeza: 0.
i Etapas aplicadas: "remove_url", "remove_email", "lower", "remove_punct", and "strip_whitespace".
-- Cluster de documentos (acR) --
* Metodo: "hclust" | features: "tfidf" | distancia: "cosine"
* k = 2 | n = 8 documentos
* Silhueta media: 0.407
# A tibble: 2 x 2
doc_id text
<chr> <chr>
1 doc_1 A
2 doc_2 B
-- Corpus acR ------------------------------------------------------------------
* Documentos: 2
* Metadados: 0 colunas
* Idioma: "pt"
-- Corpus acR ------------------------------------------------------------------
* Documentos: 2
* Metadados: 0 colunas
* Idioma: "pt"
# A tibble: 2 x 2
doc_id text
<chr> <chr>
1 doc_1 A
2 doc_2 B
Ajustando LDA com k = 3 tópicos...
Ajustando LDA com k = 3 tópicos...
Ajustando LDA com k = 2 tópicos...
Ajustando LDA com k = 2 tópicos...
Ajustando LDA com k = 2 tópicos...
-- Modelo LDA acR --------------------------------------------------------------
* Tópicos (k): 2
* Método: "VEM"
* Semente: 1
* Termos únicos: 30
* Documentos: 8
Testando k = 2 a 3...
Ajustando LDA com k = 2 tópicos...
Testando k = 2 a 3...
! Categoria "a": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "a": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "b": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "b": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "positivo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "positivo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "negativo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "negativo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "neutro": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "neutro": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "positivo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "positivo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "negativo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "negativo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "neutro": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "neutro": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "positivo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "positivo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "negativo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "negativo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "neutro": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "neutro": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "a": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "a": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "b": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "b": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
-- Codebook acR: "tom_teste" ---------------------------------------------------
* Modo: "manual"
* Categorias (2): "positivo" and "negativo"
* Multilabel: FALSE
* Idioma: "pt"
* Criado em: 10/08/2026 03:58
Instrução geral:
Classifique o tom do discurso.
Categorias:
• "positivo": Tom propositivo e colaborativo.
Ex+: Proponho que trabalhemos juntos.
• "negativo": Tom critico e confrontacional.
Ex+: Esta proposta vai arruinar o pais.
-- Resumo do codebook "tom_teste" ----------------------------------------------
# A tibble: 2 x 6
categoria tem_definicao n_ex_pos n_ex_neg n_refs weight
<chr> <lgl> <int> <int> <int> <dbl>
1 positivo TRUE 1 1 0 1
2 negativo TRUE 1 1 0 1
✅ Codebook salvo em '/Volumes/Temp/tmp/Rtmpn3zFwJ/file1296b519cd1e0.yaml'
✅ Codebook salvo em '/Volumes/Temp/tmp/Rtmpn3zFwJ/file1296b35f23a0a.yaml'
! Categoria "formal": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "formal": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "informal": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "informal": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Fundidos: 4 categorias.
! Categoria "positivo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "positivo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "neutro": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "neutro": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Fundidos: 3 categorias.
! Categoria "positivo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "positivo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "neutro": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "neutro": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Fundidos: 3 categorias.
! Categoria "positivo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "positivo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "neutro": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "neutro": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Fundidos: 4 categorias.
! Categoria "positivo": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "positivo": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "neutro": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "neutro": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "x": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "x": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "y": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "y": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Fundidos: 4 categorias.
Nenhuma modificação.
! Categoria "x": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "x": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "y": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "y": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Fundidos: 4 categorias.
-- Histórico: "tom_teste_cb2" --------------------------------------------------
# A tibble: 1 x 3
timestamp action detail
<chr> <chr> <chr>
1 2026-08-10 03:58:57 merge tom_teste + cb2
! Categoria "neutro": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "neutro": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v 1 categoria adicionada: "neutro".
i Codebook agora tem 3 categorias.
! Categoria "tecnico": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "tecnico": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v 1 categoria adicionada: "tecnico".
i Codebook agora tem 4 categorias.
v 1 categoria removida: "tecnico".
i Codebook agora tem 3 categorias.
-- Histórico: "tom_teste" ------------------------------------------------------
# A tibble: 3 x 3
timestamp action detail
<chr> <chr> <chr>
1 2026-08-10 03:58:57 add neutro
2 2026-08-10 03:58:57 add tecnico
3 2026-08-10 03:58:57 remove tecnico
-- Histórico: "tom_teste" ------------------------------------------------------
# A tibble: 1 x 3
timestamp action detail
<chr> <chr> <chr>
1 2026-08-10 03:58:57 add neutro
-- System prompt: "tom_teste" --------------------------------------------------
(585 caracteres)
--------------------------------------------------------------------------------
Você é assistente de análise de conteúdo qualitativa.
Classifique o tom do discurso.
Cada texto deve ser classificado em EXATAMENTE UMA categoria.
CATEGORIAS:
- positivo: Tom propositivo e colaborativo.
Exemplos positivos:
- Proponho que trabalhemos juntos.
Exemplos negativos:
- Este governo e um fracasso.
- negativo: Tom critico e confrontacional.
Exemplos positivos:
- Esta proposta vai arruinar o pais.
Exemplos negativos:
- Apresento esta emenda.
Responda SEMPRE em JSON válido:
{
"categoria": "positivo|negativo"
"raciocinio": "1 frase curta",
}
--------------------------------------------------------------------------------
-- System prompt: "tom_teste" --------------------------------------------------
(585 caracteres)
--------------------------------------------------------------------------------
Você é assistente de análise de conteúdo qualitativa.
Classifique o tom do discurso.
Cada texto deve ser classificado em EXATAMENTE UMA categoria.
CATEGORIAS:
- positivo: Tom propositivo e colaborativo.
Exemplos positivos:
- Proponho que trabalhemos juntos.
Exemplos negativos:
- Este governo e um fracasso.
- negativo: Tom critico e confrontacional.
Exemplos positivos:
- Esta proposta vai arruinar o pais.
Exemplos negativos:
- Apresento esta emenda.
Responda SEMPRE em JSON válido:
{
"categoria": "positivo|negativo"
"raciocinio": "1 frase curta",
}
--------------------------------------------------------------------------------
-- System prompt: "tom_teste" --------------------------------------------------
(552 caracteres)
--------------------------------------------------------------------------------
Você é assistente de análise de conteúdo qualitativa.
Classifique o tom do discurso.
Cada texto deve ser classificado em EXATAMENTE UMA categoria.
CATEGORIAS:
- positivo: Tom propositivo e colaborativo.
Exemplos positivos:
- Proponho que trabalhemos juntos.
Exemplos negativos:
- Este governo e um fracasso.
- negativo: Tom critico e confrontacional.
Exemplos positivos:
- Esta proposta vai arruinar o pais.
Exemplos negativos:
- Apresento esta emenda.
Responda SEMPRE em JSON válido:
{
"categoria": "positivo|negativo"
}
--------------------------------------------------------------------------------
-- System prompt: "tom_teste" --------------------------------------------------
(584 caracteres)
--------------------------------------------------------------------------------
Você é assistente de análise de conteúdo qualitativa.
Classifique o tom do discurso.
Cada texto deve ser classificado em EXATAMENTE UMA categoria.
CATEGORIAS:
- positivo: Tom propositivo e colaborativo.
Exemplos positivos:
- Proponho que trabalhemos juntos.
Exemplos negativos:
- Este governo e um fracasso.
- negativo: Tom critico e confrontacional.
Exemplos positivos:
- Esta proposta vai arruinar o pais.
Exemplos negativos:
- Apresento esta emenda.
Responda SEMPRE em JSON válido:
{
"categoria": "positivo|negativo"
"raciocinio": "um parágrafo",
}
--------------------------------------------------------------------------------
! Categoria "a": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "a": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "b": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "b": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
-- System prompt: "multi" ------------------------------------------------------
(246 caracteres)
--------------------------------------------------------------------------------
Você é assistente de análise de conteúdo qualitativa.
Classifique.
Um texto pode pertencer a MAIS DE UMA categoria.
CATEGORIAS:
- a: Def A.
- b: Def B.
Responda SEMPRE em JSON válido:
{
"categoria": "a|b"
"raciocinio": "1 frase curta",
}
--------------------------------------------------------------------------------
! Categoria "positive": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "positive": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "negative": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "negative": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
Já em "en".
! Categoria "favoravel": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "favoravel": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "favoravel2": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "favoravel2": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
i Verificando sobreposição entre definições...
! Categoria "economico": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "economico": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "cultural": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "cultural": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
i Verificando sobreposição entre definições...
v Nenhuma sobreposição detectada entre as definições.
-- Confiabilidade inter-anotador (acR) --
* Documentos comparados: 10
* Categorias: conservador, progressista, tecnocratico
Metrica Estimativa IC 95% Interpretacao
-------------------------------------------------------------------------------------
Percent Agreement 0.800 [, ] Muito bom
Cohen's Kappa (unweighted) 0.688 [0.266, 1.109] Substancial
Fleiss' Kappa 0.680 [0.233, 1.127] Substancial
Krippendorff's Alpha (nominal) 0.696 [, ] Substancial
Matriz de confusao:
Predicted
Gold conservador progressista tecnocratico
conservador 2 1 0
progressista 0 4 0
tecnocratico 0 1 2
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "coding" | Budget: "medium" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "coding" | Budget: "medium" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "coding" | Budget: "medium" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "coding" | Budget: "medium" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "coding" | Budget: "medium" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "coding" | Budget: "free" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "coding" | Budget: "low" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "coding" | Budget: "medium" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "literature" | Budget: "high" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
-- Recomendacoes de modelo acR -------------------------------------------------
i Tarefa: "coding" | Budget: "medium" | Idioma: "pt"
i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE).
Calculando confiabilidade em 10 documentos comuns...
i Interpretação baseada em Landis & Koch (1977) e Gwet (2014).
i IC 95% via bootstrap (n = 50).
Calculando confiabilidade em 10 documentos comuns...
i Interpretação baseada em Landis & Koch (1977) e Gwet (2014).
i IC 95% via bootstrap (n = 50).
Calculando confiabilidade em 10 documentos comuns...
i Interpretação baseada em Landis & Koch (1977) e Gwet (2014).
i IC 95% via bootstrap (n = 50).
Calculando confiabilidade em 10 documentos comuns...
i Interpretação baseada em Landis & Koch (1977) e Gwet (2014).
i IC 95% via bootstrap (n = 50).
Calculando confiabilidade em 5 documentos comuns...
i Interpretação baseada em Landis & Koch (1977) e Gwet (2014).
i IC 95% via bootstrap (n = 50).
Calculando confiabilidade em 5 documentos comuns...
i Interpretação baseada em Landis & Koch (1977) e Gwet (2014).
i IC 95% via bootstrap (n = 50).
i Amostra de 5 documentos selecionada (estratégia: "random").
i Use `ac_qual_export_for_review()` para exportar para Excel.
i Amostra de 3 documentos selecionada (estratégia: "uncertainty").
i Use `ac_qual_export_for_review()` para exportar para Excel.
i Amostra de 6 documentos selecionada (estratégia: "stratified").
i Use `ac_qual_export_for_review()` para exportar para Excel.
i Amostra de 4 documentos selecionada (estratégia: "disagreement").
i Use `ac_qual_export_for_review()` para exportar para Excel.
i Amostra de 10 documentos selecionada (estratégia: "random").
i Use `ac_qual_export_for_review()` para exportar para Excel.
i Amostra de 3 documentos selecionada (estratégia: "uncertainty").
i Use `ac_qual_export_for_review()` para exportar para Excel.
i Amostra de 5 documentos selecionada (estratégia: "random").
i Use `ac_qual_export_for_review()` para exportar para Excel.
i Amostra de 4 documentos selecionada (estratégia: "random").
i Use `ac_qual_export_for_review()` para exportar para Excel.
i Amostra de 3 documentos selecionada (estratégia: "random").
i Use `ac_qual_export_for_review()` para exportar para Excel.
i Amostra de 5 documentos selecionada (estratégia: "random").
i Use `ac_qual_export_for_review()` para exportar para Excel.
! Categoria "favor": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "contra": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "contra": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Relatorio salvo em '/Volumes/Temp/tmp/Rtmpn3zFwJ/file1296b4c355358.md'
! Categoria "favor": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "contra": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "contra": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Report saved to '/Volumes/Temp/tmp/Rtmpn3zFwJ/file1296b1586f149.md'
! Categoria "favor": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "contra": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "contra": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Relatorio salvo em '/Volumes/Temp/tmp/Rtmpn3zFwJ/file1296b372c2c6.md'
! Categoria "favor": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "contra": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "contra": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "favor": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
! Categoria "contra": sem exemplos positivos (examples_pos).
i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
! Categoria "contra": sem exemplos negativos (examples_neg).
i Exemplos negativos reduzem confusão entre categorias similares.
v Relatorio salvo em '/Volumes/Temp/tmp/Rtmpn3zFwJ/file1296b541fbff5.md'
Saving _problems/test-plots-snapshot-56.R
[ FAIL 1 | WARN 2 | SKIP 18 | PASS 744 ]
══ Skipped tests (18) ══════════════════════════════════════════════════════════
• On CRAN (17): 'test-ac_fetch_camara.R:111:3', 'test-ac_fetch_camara.R:138:3',
'test-ac_fetch_camara.R:154:3', 'test-ac_fetch_senado.R:2:3',
'test-ac_fetch_senado.R:21:3', 'test-ac_qual_code.R:84:3',
'test-ac_qual_code.R:117:3', 'test-ac_qual_code.R:149:3',
'test-ac_qual_code.R:174:3', 'test-ac_qual_codebook.R:143:3',
'test-ac_qual_codebook.R:421:3', 'test-ac_qual_codebook.R:472:3',
'test-ac_qual_search_literature.R:113:3',
'test-ac_qual_search_literature.R:141:3',
'test-ac_qual_search_literature.R:155:3',
'test-ac_qual_search_literature.R:183:3',
'test-ac_qual_search_literature.R:214:3'
• no Google credentials available (1): 'test-ac_ellmer_chat.R:37:7'
══ Failed tests ════════════════════════════════════════════════════════════════
── Failure ('test-plots-snapshot.R:56:3'): ac_plot_top_terms() gera ggplot valido ──
Expected `"labels" %in% names(p)` to be TRUE.
Differences:
`actual`: FALSE
`expected`: TRUE
[ FAIL 1 | WARN 2 | SKIP 18 | PASS 744 ]
Error:
! Test failures.
Execution halted
Flavor: r-oldrel-macos-x86_64
These binaries (installable software) and packages are in development.
They may not be fully stable and should be used with caution. We make no claims about them.
Health stats visible at Monitor.