Last updated on 2026-08-16 07:51:30 CEST.
| Package | OK | ERROR | Other |
|---|---|---|---|
| acR | 8 | 5 | 2 |
Current CRAN status: OK: 8, ERROR: 5, Other: 2
Version: 0.3.2
Check: tests
Result: ERROR
Running ‘spelling.R’
Running ‘testthat.R’ [27s/28s]
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: 13/08/2026 11:02
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/RtmpmBVOWo/working_dir/RtmpHO32Yr/file288a0c3477f37.yaml'
✅ Codebook salvo em '/tmp/RtmpmBVOWo/working_dir/RtmpHO32Yr/file288a0c5af78a0.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 2026-08-13 11:02:48 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 2026-08-13 11:02:48 add neutro
2 2026-08-13 11:02:48 add tecnico
3 2026-08-13 11:02:48 remove tecnico
-- Histórico: "tom_teste" ------------------------------------------------------
# A tibble: 1 x 3
timestamp action detail
<chr> <chr> <chr>
1 2026-08-13 11:02:48 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/RtmpmBVOWo/working_dir/RtmpHO32Yr/file288a0c40a5b2a.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/RtmpmBVOWo/working_dir/RtmpHO32Yr/file288a0c6cc32136.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/RtmpmBVOWo/working_dir/RtmpHO32Yr/file288a0c58fdb723.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/RtmpmBVOWo/working_dir/RtmpHO32Yr/file288a0c6395fb79.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: 16/08/2026 16:58
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/RtmprI1sRN/file164e1599306b9.yaml'
✅ Codebook salvo em '/Volumes/Temp/tmp/RtmprI1sRN/file164e11d9c121d.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 2026-08-16 16:58:19 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 2026-08-16 16:58:19 add neutro
2 2026-08-16 16:58:19 add tecnico
3 2026-08-16 16:58:19 remove tecnico
-- Histórico: "tom_teste" ------------------------------------------------------
# A tibble: 1 x 3
timestamp action detail
<chr> <chr> <chr>
1 2026-08-16 16:58:19 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/RtmprI1sRN/file164e12006bbc9.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/RtmprI1sRN/file164e12446a466.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/RtmprI1sRN/file164e1e3e042f.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/RtmprI1sRN/file164e127cea525.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: 15/08/2026 23:32
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/RtmpNlIaV3/file10be64f6808e5.yaml'
✅ Codebook salvo em '/Volumes/Temp/tmp/RtmpNlIaV3/file10be642ebda50.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 2026-08-15 23:32:06 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 2026-08-15 23:32:06 add neutro
2 2026-08-15 23:32:06 add tecnico
3 2026-08-15 23:32:06 remove tecnico
-- Histórico: "tom_teste" ------------------------------------------------------
# A tibble: 1 x 3
timestamp action detail
<chr> <chr> <chr>
1 2026-08-15 23:32:06 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/RtmpNlIaV3/file10be6440ad233.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/RtmpNlIaV3/file10be639ec1b3d.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/RtmpNlIaV3/file10be63ae75ddf.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/RtmpNlIaV3/file10be62fdd1c54.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’ [9s/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: 16/08/2026 16:44
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/RtmpakArXC/file695b13bcc456.yaml'
✅ Codebook salvo em '/Volumes/Temp/tmp/RtmpakArXC/file695b36c9112a.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 2026-08-16 16:44:57 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 2026-08-16 16:44:57 add neutro
2 2026-08-16 16:44:57 add tecnico
3 2026-08-16 16:44:57 remove tecnico
-- Histórico: "tom_teste" ------------------------------------------------------
# A tibble: 1 x 3
timestamp action detail
<chr> <chr> <chr>
1 2026-08-16 16:44:57 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/RtmpakArXC/file695bebc69cc.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/RtmpakArXC/file695b4b55e4e3.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/RtmpakArXC/file695b6bd264c1.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/RtmpakArXC/file695b33adfddd.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/63s]
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: 15/08/2026 22:41
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/RtmpIZCSUH/filed88129325e46.yaml'
✅ Codebook salvo em '/Volumes/Temp/tmp/RtmpIZCSUH/filed8813018856c.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 2026-08-15 22:41:02 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 2026-08-15 22:41:03 add neutro
2 2026-08-15 22:41:03 add tecnico
3 2026-08-15 22:41:03 remove tecnico
-- Histórico: "tom_teste" ------------------------------------------------------
# A tibble: 1 x 3
timestamp action detail
<chr> <chr> <chr>
1 2026-08-15 22:41:03 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/RtmpIZCSUH/filed8813a225d49.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/RtmpIZCSUH/filed88127e6562f.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/RtmpIZCSUH/filed8817ad43a07.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/RtmpIZCSUH/filed881732b8946.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