---
title: "Quickstart: acR em 5 minutos"
output: rmarkdown::html_vignette
vignette: >
  %\VignetteIndexEntry{Quickstart: acR em 5 minutos}
  %\VignetteEngine{knitr::rmarkdown}
  %\VignetteEncoding{UTF-8}
---

```{r, include = FALSE}
knitr::opts_chunk$set(
  collapse = TRUE,
  comment  = "#>",
  fig.width  = 7,
  fig.height = 4
)
```

Quer entender o `acR` sem ler nada longo? Este é o menor caminho ponta-a-ponta
usando apenas as funções que rodam **offline e sem chave de API**. Copie e cole.

```{r setup}
library(acR)
```

```{r lexico, include=FALSE}
# ac_sentiment() baixa o OpLexicon (GitHub) na primeira execução e guarda
# em cache. Sem acesso a ele, os trechos que dependem do léxico não rodam,
# em vez de interromper a vignette com erro.
tem_lexico <- tryCatch({
  suppressMessages(ac_sentiment(ac_corpus(data.frame(text = "bom"))))
  TRUE
}, error = function(e) FALSE)
```

```{r aviso-lexico, echo=FALSE, results="asis", eval=!tem_lexico}
cat(
  "> **Aviso:** o léxico OpLexicon não pôde ser baixado ao gerar esta",
  "> página (sem acesso à internet), então os trechos que dependem dele",
  "> não foram executados. Rode a vignette com internet para ver as saídas.",
  sep = "\n"
)
```

## 1 · Um corpus mínimo

```{r corpus}
df <- data.frame(
  id       = paste0("d", 1:6),
  texto    = c(
    "Sou favoravel a reforma tributária que simplifica os impostos.",
    "Voto contra a proposta, ela vai destruir o setor produtivo.",
    "Apoio integralmente a reforma, ha ganhos claros de eficiência.",
    "Esta reforma e um retrocesso, vamos rejeitar em plenário.",
    "Defendo a proposta que corrige distorcoes historicas do sistema.",
    "Somos contra, o texto beneficia apenas grandes corporacoes."
  ),
  posicao  = c("favor", "contra", "favor", "contra", "favor", "contra"),
  stringsAsFactors = FALSE
)

corpus <- ac_corpus(df, text = texto, docid = id, meta = posicao)
corpus
```

## 2 · Termos mais frequentes por grupo

Removemos *stopwords* antes de contar: sem isso, "de", "a", "o" dominariam
qualquer contagem em português.

```{r frequência}
corpus <- ac_clean(corpus, remove_stopwords = "pt")
freq_por_grupo <- ac_count(corpus, by = "posicao")
ac_top_terms(freq_por_grupo, n = 5, by = "posicao")
```

## 3 · Palavras distintivas de cada lado (*keyness*)

```{r keyness}
key <- ac_keyness(freq_por_grupo, group = "posicao", target = "favor")
head(key, 5)
```

## 4 · Sentimento por documento (OpLexicon PT-BR)

```{r sentimento, eval=tem_lexico}
ac_sentiment(corpus)
```

## 5 · Escolher um modelo LLM para a próxima etapa

Se você **for** usar a etapa qualitativa, o pacote sugere modelos com base em
custo, idioma e tipo de tarefa. Consulta 100% offline (banco interno).

```{r modelos}
ac_qual_recommend_model(task = "coding", budget = "medium", lang = "pt", n = 3)
```

## O que vem depois?

* **[Comece aqui](introducao-acR.html)**: visão geral com codificação humana e IRR.
* **[Codificação com LLMs](qualitativo-llm.html)**: codebook, `ellmer`, *self-consistency*.
* **[LDA](lda.html)**: modelagem de tópicos.
* **[Sentimento](sentimento.html)**: pipeline completo com OpLexicon.

Cada uma das funções acima tem exemplos executáveis em `?nome_da_funcao`.