CRAN Package Check Results for Package acR

Last updated on 2026-08-13 17:51:44 CEST.

Flavor	Version	T_install	T_check	T_total	Status
r-devel-linux-x86_64-debian-clang					OK
r-devel-linux-x86_64-debian-gcc	0.3.2	5.63	146.79	152.42	OK
r-devel-linux-x86_64-fedora-clang	0.3.2			150.06	OK
r-devel-linux-x86_64-fedora-gcc	0.3.2			153.42	ERROR
r-devel-windows-x86_64	0.3.2	12.00	235.00	247.00	OK
r-patched-linux-x86_64	0.3.2	8.55	208.01	216.56	OK
r-release-linux-x86_64	0.3.2	9.00	207.17	216.17	OK
r-release-macos-arm64	0.3.2	2.00	65.00	67.00	ERROR
r-release-macos-x86_64	0.3.2	6.00	211.00	217.00	ERROR
r-release-windows-x86_64	0.3.2	16.00	241.00	257.00	OK
r-oldrel-macos-arm64	0.3.2	2.00	67.00	69.00	ERROR
r-oldrel-macos-x86_64	0.3.2	6.00	328.00	334.00	ERROR
r-oldrel-windows-x86_64	0.3.2	17.00	285.00	302.00	OK

Additional issues

M1mac vnu

Check Details

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: 13/08/2026 23:43 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/RtmpIbXWlu/file16c323811701a.yaml' ✅ Codebook salvo em '/Volumes/Temp/tmp/RtmpIbXWlu/file16c324a0a4271.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 23:43:53 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 23:43:53 add neutro 2 2026-08-13 23:43:53 add tecnico 3 2026-08-13 23:43:53 remove tecnico -- Histórico: "tom_teste" ------------------------------------------------------ # A tibble: 1 x 3 timestamp action detail <chr> <chr> <chr> 1 2026-08-13 23:43:53 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/RtmpIbXWlu/file16c3235835d58.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/RtmpIbXWlu/file16c3269da0d79.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/RtmpIbXWlu/file16c3210ea4ad5.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/RtmpIbXWlu/file16c326155938c.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’ [28s/36s] 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 11:06 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/Rtmpue6D0W/file6425d9f0233.yaml' ✅ Codebook salvo em '/Volumes/Temp/tmp/Rtmpue6D0W/file64256f05308b.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 11:06:33 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 11:06:33 add neutro 2 2026-08-13 11:06:33 add tecnico 3 2026-08-13 11:06:33 remove tecnico -- Histórico: "tom_teste" ------------------------------------------------------ # A tibble: 1 x 3 timestamp action detail <chr> <chr> <chr> 1 2026-08-13 11:06:33 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/Rtmpue6D0W/file64252ca59e37.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/Rtmpue6D0W/file64256cacb41d.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/Rtmpue6D0W/file6425be72754.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/Rtmpue6D0W/file64254a61d0d9.md' Saving _problems/test-plots-snapshot-56.R [ FAIL 1 | WARN 2 | SKIP 18 | PASS 744 ] ══ Skipped tests (18) ══════════════════════════════════════════════════════════ • On CRAN (17): 'test-ac_fetch_camara.R:111:3', 'test-ac_fetch_camara.R:138:3', 'test-ac_fetch_camara.R:154:3', 'test-ac_fetch_senado.R:2:3', 'test-ac_fetch_senado.R:21:3', 'test-ac_qual_code.R:84:3', 'test-ac_qual_code.R:117:3', 'test-ac_qual_code.R:149:3', 'test-ac_qual_code.R:174:3', 'test-ac_qual_codebook.R:143:3', 'test-ac_qual_codebook.R:421:3', 'test-ac_qual_codebook.R:472:3', 'test-ac_qual_search_literature.R:113:3', 'test-ac_qual_search_literature.R:141:3', 'test-ac_qual_search_literature.R:155:3', 'test-ac_qual_search_literature.R:183:3', 'test-ac_qual_search_literature.R:214:3' • no Google credentials available (1): 'test-ac_ellmer_chat.R:37:7' ══ Failed tests ════════════════════════════════════════════════════════════════ ── Failure ('test-plots-snapshot.R:56:3'): ac_plot_top_terms() gera ggplot valido ── Expected `"labels" %in% names(p)` to be TRUE. Differences: `actual`: FALSE `expected`: TRUE [ FAIL 1 | WARN 2 | SKIP 18 | PASS 744 ] Error: ! Test failures. Execution halted Flavor: r-release-macos-x86_64

Version: 0.3.2
Check: tests
Result: ERROR Running ‘spelling.R’ [0s/0s] Running ‘testthat.R’ [8s/9s] Running the tests in ‘tests/testthat.R’ failed. Complete output: > # Este arquivo faz parte da infraestrutura de testes do pacote. > # Veja https://r-pkgs.org/testing-design.html#sec-tests-files-overview > > library(testthat) > library(acR) > > test_check("acR") v Limpeza concluída. i Tokens antes: 30 | após: 29 (1 removidos). i Documentos vazios após limpeza: 0. i Etapas aplicadas: "remove_url", "remove_email", "lower", "remove_punct", and "strip_whitespace". -- Cluster de documentos (acR) -- * Metodo: "hclust" | features: "tfidf" | distancia: "cosine" * k = 2 | n = 8 documentos * Silhueta media: 0.407 # A tibble: 2 x 2 doc_id text <chr> <chr> 1 doc_1 A 2 doc_2 B -- Corpus acR ------------------------------------------------------------------ * Documentos: 2 * Metadados: 0 colunas * Idioma: "pt" -- Corpus acR ------------------------------------------------------------------ * Documentos: 2 * Metadados: 0 colunas * Idioma: "pt" # A tibble: 2 x 2 doc_id text <chr> <chr> 1 doc_1 A 2 doc_2 B Ajustando LDA com k = 3 tópicos... Ajustando LDA com k = 3 tópicos... Ajustando LDA com k = 2 tópicos... Ajustando LDA com k = 2 tópicos... Ajustando LDA com k = 2 tópicos... -- Modelo LDA acR -------------------------------------------------------------- * Tópicos (k): 2 * Método: "VEM" * Semente: 1 * Termos únicos: 30 * Documentos: 8 Testando k = 2 a 3... Ajustando LDA com k = 2 tópicos... Testando k = 2 a 3... ! Categoria "a": sem exemplos positivos (examples_pos). i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021). ! Categoria "a": sem exemplos negativos (examples_neg). i Exemplos negativos reduzem confusão entre categorias similares. ! Categoria "b": sem exemplos positivos (examples_pos). i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021). ! Categoria "b": sem exemplos negativos (examples_neg). i Exemplos negativos reduzem confusão entre categorias similares. ! Categoria "positivo": sem exemplos positivos (examples_pos). i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021). ! Categoria "positivo": sem exemplos negativos (examples_neg). i Exemplos negativos reduzem confusão entre categorias similares. ! Categoria "negativo": sem exemplos positivos (examples_pos). i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021). ! Categoria "negativo": sem exemplos negativos (examples_neg). i Exemplos negativos reduzem confusão entre categorias similares. ! Categoria "neutro": sem exemplos positivos (examples_pos). i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021). ! Categoria "neutro": sem exemplos negativos (examples_neg). i Exemplos negativos reduzem confusão entre categorias similares. ! Categoria "positivo": sem exemplos positivos (examples_pos). i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021). ! Categoria "positivo": sem exemplos negativos (examples_neg). i Exemplos negativos reduzem confusão entre categorias similares. ! Categoria "negativo": sem exemplos positivos (examples_pos). i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021). ! Categoria "negativo": sem exemplos negativos (examples_neg). i Exemplos negativos reduzem confusão entre categorias similares. ! Categoria "neutro": sem exemplos positivos (examples_pos). i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021). ! Categoria "neutro": sem exemplos negativos (examples_neg). i Exemplos negativos reduzem confusão entre categorias similares. ! Categoria "positivo": sem exemplos positivos (examples_pos). i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021). ! Categoria "positivo": sem exemplos negativos (examples_neg). i Exemplos negativos reduzem confusão entre categorias similares. ! Categoria "negativo": sem exemplos positivos (examples_pos). i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021). ! Categoria "negativo": sem exemplos negativos (examples_neg). i Exemplos negativos reduzem confusão entre categorias similares. ! Categoria "neutro": sem exemplos positivos (examples_pos). i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021). ! Categoria "neutro": sem exemplos negativos (examples_neg). i Exemplos negativos reduzem confusão entre categorias similares. ! Categoria "a": sem exemplos positivos (examples_pos). i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021). ! Categoria "a": sem exemplos negativos (examples_neg). i Exemplos negativos reduzem confusão entre categorias similares. ! Categoria "b": sem exemplos positivos (examples_pos). i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021). ! Categoria "b": sem exemplos negativos (examples_neg). i Exemplos negativos reduzem confusão entre categorias similares. -- Codebook acR: "tom_teste" --------------------------------------------------- * Modo: "manual" * Categorias (2): "positivo" and "negativo" * Multilabel: FALSE * Idioma: "pt" * Criado em: 13/08/2026 23:27 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/RtmpTtdJBy/file63d5334e2a36.yaml' ✅ Codebook salvo em '/Volumes/Temp/tmp/RtmpTtdJBy/file63d53ed575d9.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 23:27:38 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 23:27:39 add neutro 2 2026-08-13 23:27:39 add tecnico 3 2026-08-13 23:27:39 remove tecnico -- Histórico: "tom_teste" ------------------------------------------------------ # A tibble: 1 x 3 timestamp action detail <chr> <chr> <chr> 1 2026-08-13 23:27:39 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/RtmpTtdJBy/file63d52f748514.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/RtmpTtdJBy/file63d53fc0e69f.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/RtmpTtdJBy/file63d547370381.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/RtmpTtdJBy/file63d5c244e4a.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/51s] 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 10:14 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/RtmpRUho8b/file746396ae027.yaml' ✅ Codebook salvo em '/Volumes/Temp/tmp/RtmpRUho8b/file7467f943aa.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 10:14:29 merge tom_teste + cb2 ! Categoria "neutro": sem exemplos positivos (examples_pos). i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021). ! Categoria "neutro": sem exemplos negativos (examples_neg). i Exemplos negativos reduzem confusão entre categorias similares. v 1 categoria adicionada: "neutro". i Codebook agora tem 3 categorias. ! Categoria "tecnico": sem exemplos positivos (examples_pos). i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021). ! Categoria "tecnico": sem exemplos negativos (examples_neg). i Exemplos negativos reduzem confusão entre categorias similares. v 1 categoria adicionada: "tecnico". i Codebook agora tem 4 categorias. v 1 categoria removida: "tecnico". i Codebook agora tem 3 categorias. -- Histórico: "tom_teste" ------------------------------------------------------ # A tibble: 3 x 3 timestamp action detail <chr> <chr> <chr> 1 2026-08-13 10:14:29 add neutro 2 2026-08-13 10:14:29 add tecnico 3 2026-08-13 10:14:29 remove tecnico -- Histórico: "tom_teste" ------------------------------------------------------ # A tibble: 1 x 3 timestamp action detail <chr> <chr> <chr> 1 2026-08-13 10:14:29 add neutro -- System prompt: "tom_teste" -------------------------------------------------- (585 caracteres) -------------------------------------------------------------------------------- Você é assistente de análise de conteúdo qualitativa. Classifique o tom do discurso. Cada texto deve ser classificado em EXATAMENTE UMA categoria. CATEGORIAS: - positivo: Tom propositivo e colaborativo. Exemplos positivos: - Proponho que trabalhemos juntos. Exemplos negativos: - Este governo e um fracasso. - negativo: Tom critico e confrontacional. Exemplos positivos: - Esta proposta vai arruinar o pais. Exemplos negativos: - Apresento esta emenda. Responda SEMPRE em JSON válido: { "categoria": "positivo|negativo" "raciocinio": "1 frase curta", } -------------------------------------------------------------------------------- -- System prompt: "tom_teste" -------------------------------------------------- (585 caracteres) -------------------------------------------------------------------------------- Você é assistente de análise de conteúdo qualitativa. Classifique o tom do discurso. Cada texto deve ser classificado em EXATAMENTE UMA categoria. CATEGORIAS: - positivo: Tom propositivo e colaborativo. Exemplos positivos: - Proponho que trabalhemos juntos. Exemplos negativos: - Este governo e um fracasso. - negativo: Tom critico e confrontacional. Exemplos positivos: - Esta proposta vai arruinar o pais. Exemplos negativos: - Apresento esta emenda. Responda SEMPRE em JSON válido: { "categoria": "positivo|negativo" "raciocinio": "1 frase curta", } -------------------------------------------------------------------------------- -- System prompt: "tom_teste" -------------------------------------------------- (552 caracteres) -------------------------------------------------------------------------------- Você é assistente de análise de conteúdo qualitativa. Classifique o tom do discurso. Cada texto deve ser classificado em EXATAMENTE UMA categoria. CATEGORIAS: - positivo: Tom propositivo e colaborativo. Exemplos positivos: - Proponho que trabalhemos juntos. Exemplos negativos: - Este governo e um fracasso. - negativo: Tom critico e confrontacional. Exemplos positivos: - Esta proposta vai arruinar o pais. Exemplos negativos: - Apresento esta emenda. Responda SEMPRE em JSON válido: { "categoria": "positivo|negativo" } -------------------------------------------------------------------------------- -- System prompt: "tom_teste" -------------------------------------------------- (584 caracteres) -------------------------------------------------------------------------------- Você é assistente de análise de conteúdo qualitativa. Classifique o tom do discurso. Cada texto deve ser classificado em EXATAMENTE UMA categoria. CATEGORIAS: - positivo: Tom propositivo e colaborativo. Exemplos positivos: - Proponho que trabalhemos juntos. Exemplos negativos: - Este governo e um fracasso. - negativo: Tom critico e confrontacional. Exemplos positivos: - Esta proposta vai arruinar o pais. Exemplos negativos: - Apresento esta emenda. Responda SEMPRE em JSON válido: { "categoria": "positivo|negativo" "raciocinio": "um parágrafo", } -------------------------------------------------------------------------------- ! Categoria "a": sem exemplos positivos (examples_pos). i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021). ! Categoria "a": sem exemplos negativos (examples_neg). i Exemplos negativos reduzem confusão entre categorias similares. ! Categoria "b": sem exemplos positivos (examples_pos). i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021). ! Categoria "b": sem exemplos negativos (examples_neg). i Exemplos negativos reduzem confusão entre categorias similares. -- System prompt: "multi" ------------------------------------------------------ (246 caracteres) -------------------------------------------------------------------------------- Você é assistente de análise de conteúdo qualitativa. Classifique. Um texto pode pertencer a MAIS DE UMA categoria. CATEGORIAS: - a: Def A. - b: Def B. Responda SEMPRE em JSON válido: { "categoria": "a|b" "raciocinio": "1 frase curta", } -------------------------------------------------------------------------------- ! Categoria "positive": sem exemplos positivos (examples_pos). i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021). ! Categoria "positive": sem exemplos negativos (examples_neg). i Exemplos negativos reduzem confusão entre categorias similares. ! Categoria "negative": sem exemplos positivos (examples_pos). i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021). ! Categoria "negative": sem exemplos negativos (examples_neg). i Exemplos negativos reduzem confusão entre categorias similares. Já em "en". ! Categoria "favoravel": sem exemplos positivos (examples_pos). i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021). ! Categoria "favoravel": sem exemplos negativos (examples_neg). i Exemplos negativos reduzem confusão entre categorias similares. ! Categoria "favoravel2": sem exemplos positivos (examples_pos). i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021). ! Categoria "favoravel2": sem exemplos negativos (examples_neg). i Exemplos negativos reduzem confusão entre categorias similares. i Verificando sobreposição entre definições... ! Categoria "economico": sem exemplos positivos (examples_pos). i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021). ! Categoria "economico": sem exemplos negativos (examples_neg). i Exemplos negativos reduzem confusão entre categorias similares. ! Categoria "cultural": sem exemplos positivos (examples_pos). i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021). ! Categoria "cultural": sem exemplos negativos (examples_neg). i Exemplos negativos reduzem confusão entre categorias similares. i Verificando sobreposição entre definições... v Nenhuma sobreposição detectada entre as definições. -- Confiabilidade inter-anotador (acR) -- * Documentos comparados: 10 * Categorias: conservador, progressista, tecnocratico Metrica Estimativa IC 95% Interpretacao ------------------------------------------------------------------------------------- Percent Agreement 0.800 [, ] Muito bom Cohen's Kappa (unweighted) 0.688 [0.266, 1.109] Substancial Fleiss' Kappa 0.680 [0.233, 1.127] Substancial Krippendorff's Alpha (nominal) 0.696 [, ] Substancial Matriz de confusao: Predicted Gold conservador progressista tecnocratico conservador 2 1 0 progressista 0 4 0 tecnocratico 0 1 2 -- Recomendacoes de modelo acR ------------------------------------------------- i Tarefa: "coding" | Budget: "medium" | Idioma: "pt" i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE). -- Recomendacoes de modelo acR ------------------------------------------------- i Tarefa: "coding" | Budget: "medium" | Idioma: "pt" i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE). -- Recomendacoes de modelo acR ------------------------------------------------- i Tarefa: "coding" | Budget: "medium" | Idioma: "pt" i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE). -- Recomendacoes de modelo acR ------------------------------------------------- i Tarefa: "coding" | Budget: "medium" | Idioma: "pt" i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE). -- Recomendacoes de modelo acR ------------------------------------------------- i Tarefa: "coding" | Budget: "medium" | Idioma: "pt" i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE). -- Recomendacoes de modelo acR ------------------------------------------------- i Tarefa: "coding" | Budget: "free" | Idioma: "pt" i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE). -- Recomendacoes de modelo acR ------------------------------------------------- i Tarefa: "coding" | Budget: "low" | Idioma: "pt" i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE). -- Recomendacoes de modelo acR ------------------------------------------------- i Tarefa: "coding" | Budget: "medium" | Idioma: "pt" i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE). -- Recomendacoes de modelo acR ------------------------------------------------- i Tarefa: "literature" | Budget: "high" | Idioma: "pt" i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE). -- Recomendacoes de modelo acR ------------------------------------------------- i Tarefa: "coding" | Budget: "medium" | Idioma: "pt" i Baseado em Gilardi et al. (2023, PNAS) e Tornberg (2023, PLOS ONE). Calculando confiabilidade em 10 documentos comuns... i Interpretação baseada em Landis & Koch (1977) e Gwet (2014). i IC 95% via bootstrap (n = 50). Calculando confiabilidade em 10 documentos comuns... i Interpretação baseada em Landis & Koch (1977) e Gwet (2014). i IC 95% via bootstrap (n = 50). Calculando confiabilidade em 10 documentos comuns... i Interpretação baseada em Landis & Koch (1977) e Gwet (2014). i IC 95% via bootstrap (n = 50). Calculando confiabilidade em 10 documentos comuns... i Interpretação baseada em Landis & Koch (1977) e Gwet (2014). i IC 95% via bootstrap (n = 50). Calculando confiabilidade em 5 documentos comuns... i Interpretação baseada em Landis & Koch (1977) e Gwet (2014). i IC 95% via bootstrap (n = 50). Calculando confiabilidade em 5 documentos comuns... i Interpretação baseada em Landis & Koch (1977) e Gwet (2014). i IC 95% via bootstrap (n = 50). i Amostra de 5 documentos selecionada (estratégia: "random"). i Use `ac_qual_export_for_review()` para exportar para Excel. i Amostra de 3 documentos selecionada (estratégia: "uncertainty"). i Use `ac_qual_export_for_review()` para exportar para Excel. i Amostra de 6 documentos selecionada (estratégia: "stratified"). i Use `ac_qual_export_for_review()` para exportar para Excel. i Amostra de 4 documentos selecionada (estratégia: "disagreement"). i Use `ac_qual_export_for_review()` para exportar para Excel. i Amostra de 10 documentos selecionada (estratégia: "random"). i Use `ac_qual_export_for_review()` para exportar para Excel. i Amostra de 3 documentos selecionada (estratégia: "uncertainty"). i Use `ac_qual_export_for_review()` para exportar para Excel. i Amostra de 5 documentos selecionada (estratégia: "random"). i Use `ac_qual_export_for_review()` para exportar para Excel. i Amostra de 4 documentos selecionada (estratégia: "random"). i Use `ac_qual_export_for_review()` para exportar para Excel. i Amostra de 3 documentos selecionada (estratégia: "random"). i Use `ac_qual_export_for_review()` para exportar para Excel. i Amostra de 5 documentos selecionada (estratégia: "random"). i Use `ac_qual_export_for_review()` para exportar para Excel. ! Categoria "favor": sem exemplos negativos (examples_neg). i Exemplos negativos reduzem confusão entre categorias similares. ! Categoria "contra": sem exemplos positivos (examples_pos). i Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021). ! Categoria "contra": sem exemplos negativos (examples_neg). i Exemplos negativos reduzem confusão entre categorias similares. v Relatorio salvo em '/Volumes/Temp/tmp/RtmpRUho8b/file74672e090fb.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/RtmpRUho8b/file7463a34118c.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/RtmpRUho8b/file74671ca41ca.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/RtmpRUho8b/file7462426838a.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