
Gerar relatório consolidado de múltiplas variáveis de conteúdo
Source:R/ac_qual_report.R
ac_qual_report_full.Rdac_qual_report_full() gera um único documento (Markdown ou HTML)
consolidando resultados de N variáveis de codificação qualitativa —
cada uma com seu próprio codebook, rodada de ac_qual_code() e,
opcionalmente, métricas de ac_qual_reliability() ou ac_qual_irr().
É a resposta natural ao caso de uso mais comum de análise de conteúdo
categorial (Krippendorff, 2018): um estudo tem várias variáveis de
conteúdo (tom, posicionamento, tema, framing…). Antes desta função, o
pesquisador precisava chamar ac_qual_report() N vezes e emendar os
relatórios manualmente, ou escrever um consolidador ad hoc por projeto.
Aceita variáveis multilabel = TRUE e multilabel = FALSE no mesmo
relatório — cada seção herda a apresentação apropriada para o tipo.
Arguments
- variables
Lista nomeada onde cada elemento é uma lista com:
coded: tibble com resultado deac_qual_code()(obrigatório).codebook: objetoac_codebook(obrigatório).reliability: opcional, saída deac_qual_reliability()ouac_qual_irr(). Os nomes da lista viram os títulos das seções do relatório.
- chat
Opcional. Objeto
Chatdoellmerou string de modelo"provider/model". Aplica-se a todas as variáveis (assumindo que todas foram classificadas com o mesmo modelo — se não, deixeNULL).- title
Título do relatório consolidado. Padrão:
"Relatório consolidado de análise de conteúdo".Autor(es) do estudo.
- method
Descrição do método de coleta do corpus.
- format
"md"(padrão) ou"html".- path
Caminho do arquivo destino. Se
NULL, usatempfile().- lang
"pt"(padrão) ou"en".
See also
ac_qual_report() para relatório de uma única variável.
Examples
# Duas variaveis de conteudo, cada uma com seu codebook
cb_tom <- ac_qual_codebook(
name = "tom",
instructions = "Classifique o tom.",
categories = list(
pos = list(definition = "Positivo.", label = "Positivo"),
neg = list(definition = "Negativo.", label = "Negativo")
)
)
#> ! Categoria "pos": sem exemplos positivos (examples_pos).
#> ℹ Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
#> ! Categoria "pos": sem exemplos negativos (examples_neg).
#> ℹ Exemplos negativos reduzem confusão entre categorias similares.
#> ! Categoria "neg": sem exemplos positivos (examples_pos).
#> ℹ Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
#> ! Categoria "neg": sem exemplos negativos (examples_neg).
#> ℹ Exemplos negativos reduzem confusão entre categorias similares.
cb_pos <- ac_qual_codebook(
name = "posicao",
instructions = "Classifique a posicao.",
categories = list(
favor = list(definition = "A favor.", label = "A favor"),
contra = list(definition = "Contra.", label = "Contra")
)
)
#> ! Categoria "favor": sem exemplos positivos (examples_pos).
#> ℹ Exemplos melhoram a precisão da classificação (Sampaio & Lycarião, 2021).
#> ! 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.
coded_tom <- tibble::tibble(
doc_id = paste0("d", 1:3),
categoria = c("pos", "neg", "pos"),
confidence_score = c(1, 0.67, 1)
)
coded_pos <- tibble::tibble(
doc_id = paste0("d", 1:3),
categoria = c("favor", "contra", "favor"),
confidence_score = c(1, 1, 0.67)
)
arquivo <- tempfile(fileext = ".md")
ac_qual_report_full(
variables = list(
"Tom do discurso" = list(coded = coded_tom, codebook = cb_tom),
"Posicao politica" = list(coded = coded_pos, codebook = cb_pos)
),
path = arquivo,
author = "Fulano de Tal"
)
#> ✔ Relatorio salvo em /tmp/RtmpvqdQdJ/file1c7562b73f8a.md