Skip to contents

Escalonamento ideológico de documentos pelo método Wordscores

Source: R/ac_wordscores.R
ac_wordscores.Rd

ac_wordscores() posiciona documentos num espectro contínuo (ex.: esquerda-direita, pró/contra uma reforma) a partir só do vocabulário que usam, pelo algoritmo Wordscores de Laver, Benoit & Garry (2003). É um método supervisionado: parte de um pequeno conjunto de documentos de referência com posição conhecida (ex.: manifestos de partidos com posição já estimada por especialistas, ou avaliações de produto com nota conhecida) e estima a posição de todos os outros documentos ("documentos virgens") comparando seu vocabulário ao vocabulário dos documentos de referência.

A lógica: cada palavra recebe um "escore de palavra", a média ponderada das posições dos documentos de referência em que ela aparece (ponderada pela frequência relativa da palavra em cada referência). Um documento virgem recebe a média dos escores de suas palavras, ponderada pela frequência relativa delas no próprio documento virgem: só palavras que também aparecem nos documentos de referência contam.

Fora da ciência política (onde o método nasceu, aplicado a manifestos partidários), a mesma lógica serve para qualquer escala contínua latente: por exemplo, estimar o quão favorável um conjunto de avaliações de produto é a partir de um pequeno conjunto de avaliações com nota de estrelas conhecida, ou posicionar transcrições de atendimento num espectro de satisfação do cliente.

Usage

ac_wordscores(
  corpus,
  scores,
  rescale = c("none", "lbg", "mv"),
  drop_punct = TRUE
)

Arguments

corpus

Objeto ac_corpus.

scores

Vetor numérico nomeado (nomes = doc_id) ou tibble com colunas doc_id e score, com a posição conhecida dos documentos de referência. Documentos de corpus ausentes de scores (ou com score = NA) são tratados como documentos virgens, a serem estimados.

rescale

Tipo de reescalonamento aplicado aos escores brutos, para corrigir a compressão em torno da média que o método produz (palavras comuns a todos os textos puxam todo escore para o centro da escala):

  • "none" (padrão): sem reescalonamento, escore bruto.

  • "lbg": transformação de Laver, Benoit & Garry (2003, p. 316), \(S^*_v = (S_v - \bar{S}_v)(DP_r / DP_v) + \bar{S}_v\), em que \(\bar{S}_v\) e \(DP_v\) são a média e o desvio-padrão dos escores brutos dos documentos virgens e \(DP_r\) o desvio-padrão dos escores conhecidos das referências. Dá aos virgens a mesma dispersão das referências, mantendo a média deles. Exige pelo menos 2 virgens e depende de quais virgens entram: com poucos, fica instável (com exatamente 2, eles caem sempre a cerca de 0,71 desvio-padrão da média, seja qual for o texto).

  • "mv": transformação de Martin & Vanberg (2008), \(S^*_v = (S_v - P_1)/(P_2 - P_1) \cdot (A_2 - A_1) + A_1\), em que \(A_1\) e \(A_2\) são os escores conhecidos das referências extremas (menor e maior) e \(P_1\), \(P_2\) os escores brutos que o método atribui a essas mesmas referências. Não depende do conjunto de virgens: é a opção mais robusta quando há poucos documentos a estimar.

A mesma transformação é aplicada também às referências (como se fossem virgens), o que serve de checagem: uma referência bem recuperada fica perto do seu escore conhecido.

drop_punct

Lógico, encaminhado para ac_count(). Padrão: TRUE.

Value

Tibble com colunas doc_id, score (escore estimado, já reescalonado conforme rescale), score_raw (escore bruto, antes do reescalonamento) e is_reference (TRUE para os documentos usados como referência).

References

Laver, M.; Benoit, K.; Garry, J. (2003). Extracting Policy Positions from Political Texts Using Words as Data. American Political Science Review, 97(2), 311-331.

Martin, L. W.; Vanberg, G. (2008). A Robust Transformation Procedure for Interpreting Political Text. Political Analysis, 16(1), 93-100.

See also

ac_count(), ac_ca()

Examples

# Avaliações de produto com nota conhecida (referência) e sem nota
# (a estimar), usadas como escala continua de satisfacao
df <- data.frame(
  id = paste0("r", 1:6),
  texto = c(
    "produto excelente, superou expectativas, recomendo muito",
    "muito bom, chegou rápido e funciona perfeitamente",
    "produto regular, cumpre o básico",
    "não funcionou bem, qualidade ruim, não recomendo",
    "péssimo, quebrado e com defeito, decepcao total",
    "produto ok, nada de especial mas atende"
  ),
  stringsAsFactors = FALSE
)
corpus <- ac_corpus(df, text = texto, docid = id)

# r1, r2, r4, r5 com nota conhecida (1-5); r3 e r6 sao "virgens"
notas <- c(r1 = 5, r2 = 4, r4 = 2, r5 = 1)

ac_wordscores(corpus, notas)
#> # A tibble: 6 × 4
#>   doc_id score score_raw is_reference
#>   <chr>  <dbl>     <dbl> <lgl>       
#> 1 r1      4.69      4.69 TRUE        
#> 2 r2      3.86      3.86 TRUE        
#> 3 r3      5         5    FALSE       
#> 4 r4      2.23      2.23 TRUE        
#> 5 r5      1.21      1.21 TRUE        
#> 6 r6      5         5    FALSE