O que é análise de sentimento com léxico | Quando usar léxico vs. LLM? | 1. Corpus: pronunciamentos sobre uma reforma polêmica | 2. Sentimento por documento | 3. Comparar métodos de agregação | 4. Visualização: barras por documento | 5. Visualização: distribuição (densidade) | 6. Visualização: série ordenada | 7. Agregação por grupo (partido) | 8. Termos-chave dentro do texto (X-ray) | 9. Exportar para artigo/relatório | Referências

O objeto central: ac_corpus | 1. Frequências e termos salientes | 2. Termos distintivos com keyness | 3. Sentimento por documento (OpLexicon) | 4. Escolher um modelo LLM | 5. Codificação qualitativa com LLM | 6. Validação humana e confiabilidade | Próximos passos | Referências

1 · Um corpus mínimo | 2 · Termos mais frequentes por grupo | 3 · Palavras distintivas de cada lado (keyness) | 4 · Sentimento por documento (OpLexicon PT-BR) | 5 · Escolher um modelo LLM para a próxima etapa | O que vem depois?

Por que agrupar documentos? | 1. Três famílias, três leituras teóricas | 1.1 Hard clustering (o que esta vignette faz) | 1.2 Soft (fuzzy) clustering | 1.3 Modelos de tópicos (LDA) | 1.4 Como escolher? | 2. Um corpus de dois blocos | 3. Ajuste em três linhas | 4. Seis formas de olhar para o mesmo cluster | 4.1 Dendrograma: a árvore das fusões | 4.2 Projeção PCA: a geometria do corpus | 4.3 Mapa de calor: a assinatura da separação | 4.4 Termos mais distintivos por cluster | 4.5 Curva de silhueta: escolhendo k visualmente | 4.6 Hard vs. soft: comparando com LDA | 5. Validando contra a verdade | 6. Escolhendo o método | 7. E depois? Integrando com o pipeline | Referências

Visão geral | Por que essa ordem, e o que reportar em cada etapa | Quando usar LLM (e quando não usar) | Custo real de um estudo com LLM | Instalação e configuração | Etapa 1: Criar o codebook | Adicionar e remover categorias | Etapa 2: Enriquecer o codebook com literatura | Modo híbrido: definições ancoradas em referências | Modo literature: construção inteiramente baseada em literatura | Etapa 3: Fundir e traduzir codebooks | Fundir dois codebooks | Traduzir para inglês | Etapa 4: Inspecionar histórico e gerar system prompt | Etapa 5: Classificar o corpus | Live view: tirando o LLM do caixa-preta | Etapa 6: Salvar e carregar | Etapa 7: Validação e confiabilidade | Diagnosticando problemas comuns | 1. Categorias com concordância baixa entre k_consistency | 2. LLM devolve categoria fora do codebook | 3. Distribuição colapsada em uma categoria | 4. IRR humana × LLM inaceitável | Etapa 8: Replicabilidade e transparência | Referências

Contexto | 1. Instalar e configurar | 2. Corpus | 3. Codebook | 3b. Refinamento do codebook | Adicionar exemplos às categorias | Enriquecer com literatura via LLM | Fundir com codebook de estilo retórico | Gerar system prompt e inspecionar histórico | Salvar o codebook para replicabilidade | 4. Classificação com LLM | 5. Validação humana | 6. Análise por tema e tipo | 7. Exportar resultados | Referências

Qual métrica responde qual pergunta? | Sequência sugerida para reportar resultados | 1. Construir o corpus | 2. Limpeza: por que remover stopwords? | 3. Tokenização | 4. Frequência | 5. Top termos: o vocabulário do corpus | 6. Nuvem de palavras | 6.1 Nuvem comparativa entre grupos | 7. TF-IDF: o que é distintivo em cada documento? | 8. Keyness: o que é distintivo entre grupos? | 9. Rede de co-ocorrência | 9.1 Trocando o peso: PMI em vez de contagem | 9.2 Trocando o layout | 9.3 Coocorrência como matriz (heatmap) | Novidades: diagnóstico de corpus, escalas e dicionários | 10. Legibilidade e diversidade lexical | 11. Lei de Zipf: o corpus se comporta como linguagem natural? | 12. Concordância (KWIC) e colocações | 12.1 KWIC: ver cada ocorrência em contexto | 12.2 Colocações: associação estatística entre palavras | 13. Análise temporal/diacrônica | 14. Escalonamento Wordscores: posicionar documentos numa escala | 15. Dicionários multi-categoria, emoções e validação | 15.1 Dicionário multi-categoria | 15.2 Léxico de emoções | 15.3 Validação contra codificação humana | 16. Análise de correspondência (CA): um mapa de grupos e termos | Referências

O que é LDA e para que serve | LDA vs. clustering vs. LLM | 1. Corpus: agenda legislativa | 2. Preparar: limpeza e remoção de stopwords | 3. Escolher K: quantos tópicos? | Antes de rodar: o prior α importa em textos curtos | 4. Treinar o modelo LDA | 5. Termos por tópico (matriz β) | 6. Distribuição de tópicos por documento (matriz γ) | 7. Interpretação e nomeação dos tópicos | 8. Visualizando as misturas: γ como heatmap | 9. Exportar | Referências

O pipeline em 6 etapas | 1. Corpus | 2. Codebook | 3. Classificação com live view | 4. Amostra para revisão humana | 5. Confiabilidade inter-codificador | 6. Relatório de método: replicabilidade automática | Fluxo completo em 6 linhas | Referências

Visão geral | 1. Conectando a um servidor local | 2. Dimensionando o contexto antes de gastar uma chamada | 3. Rodando em lotes com checkpoint | 4. Lidando com falhas técnicas | 5. Validação humana por categoria (multilabel) | 6. Auditando a configuração da execução | Referências