📚 litreviewR

O litreviewR é um pacote R que automatiza o processo de revisão de literatura científica e prepara suas referências e textos para análises estruturadas com modelos de linguagem (LLMs/SLMs) e análise de tópicos. Ideal para pesquisadores e gestores públicos que precisam organizar, baixar e interpretar grandes volumes de literatura com baixo esforço manual.

---

🚀 O que o pacote faz

• Lê arquivos .bib e estrutura as referências (gera_referencia)

• Busca o DOI automaticamente quando ausente (descobre_doi_por_titulo)

• Baixa artigos nacionais (SciELO, ANPOCS etc) via baixa_pdf_aberto()

• Baixa artigos internacionais via Sci-Hub com baixa_pdf_scihub()

• Usa roteamento inteligente com baixa_pdf_auto() para escolher o melhor método de download

• Extrai resumos dos PDFs para avaliação manual (gera_csv_resumos_para_anotacao)

• Cria agrupamentos temáticos dos tópicos via anotação ou clustering (agrupa_topicos)

• Gera modelos de tópicos com LDA, STM ou NMF (modela_topicos)

• Roda todo o pipeline de análise com roda_analise_topicos

🚀 Instalação

Você pode instalar a versão de desenvolvimento diretamente do GitHub com:

# Instale o devtools, se ainda não tiver
install.packages("devtools")

# Instale o litreviewR
devtools::install_github("BaruqueRodrigues/litreviewR")

🧠 Pipeline automático de download

A função baixa_pdf_auto() identifica automaticamente a origem do artigo:

• Artigos nacionais: detectados por domínio ou publisher no CrossRef → baixa_pdf_aberto()
• Artigos internacionais ou com paywall → baixa_pdf_scihub()

library(litreviewR)

# Lê o .bib
referencias <- gera_referencia("minhas_referencias.bib")

# Baixa os PDFs automaticamente
baixa_pdf_auto(referencias, diretorio = "pdfs")

🧠 Pipeline completo de análise de tópicos

Se você já possui os PDFs, use roda_analise_topicos() para:

Ler os arquivos PDF Preprocessar os textos Rodar um modelo de tópicos (LDA, STM, NMF) Retornar os principais termos por tópico

resultado <- roda_analise_topicos(
  pasta_pdfs = "pdfs",
  k = 10,
  method = "lda",       # ou "stm", "nmf"
  idioma = "portuguese",
  modo = "agrupado"
)

# Ver os tópicos
resultado$topicos

✨ Funções principais

Para Pegar artigos

📚 gera_referencia()

Para quê serve? Transforma um arquivo .bib (BibTeX) em uma lista organizada com título, DOI (se existir) e um ID amigável para nomear arquivos.

Caso prático: “Baixei 100 referências do Mendeley e quero transformar isso em uma lista de tarefas para baixar os artigos automaticamente.”

# Extrai as referências do .bib
refs <- gera_referencia("referencias.bib")

🇧🇷 baixa_pdf_aberto()

Para quê serve? Baixa o PDF de artigos nacionais de acesso aberto, como da SciELO, ANPOCS, USP e outros repositórios acadêmicos brasileiros.

Caso prático: “Tenho vários artigos da Revista Dados e Opinião Pública, que já são abertos. Não preciso do Sci-Hub.”

# Baixa um artigo nacional (SciELO)
baixa_pdf_aberto(refs)

🌍 baixa_pdf_scihub()

Para quê serve? Baixa o PDF de artigos internacionais ou com paywall usando o Sci-Hub, a partir do DOI.

Caso prático: “Preciso do PDF de um artigo da Cambridge University Press, mas meu instituto não tem acesso.”

baixa_pdf_scihub(refs[[10]], diretorio = "pdfs")

🧠 baixa_pdf_auto()

Para quê serve? Escolhe automaticamente o melhor método de download, com base no DOI ou no título, e no país/origem do artigo.

Caso prático: “Tenho um mix de artigos nacionais e internacionais. Só quero que o script descubra onde baixar.”

baixa_pdf_auto(refs, diretorio = "pdfs")

Para Analisar artigos

📄 gera_csv_resumos_para_anotacao()

Para quê serve? Quando você tem dezenas de PDFs e quer ler só os resumos para organizar em áreas temáticas ou correntes teóricas.

Caso prático: “Sou coordenador de pesquisa e preciso dividir 120 artigos entre 3 assistentes. Quero que cada um anote qual área do conhecimento o artigo pertence.”

# Gera CSV com resumos dos PDFs para anotação manual
gera_csv_resumos_para_anotacao("pdfs", caminho_saida = "anotacao.csv")

🧠 agrupa_topicos()

Para quê serve? Agrupa os tópicos extraídos automaticamente em categorias maiores, usando ou um arquivo CSV manual ou agrupamento automático com clustering.

Caso prático: “Extraí 15 tópicos de uma coleção de artigos. Agora quero agrupá-los em 3 grandes correntes: institucionalismo, economia política e opinião pública.”

# Agrupa tópicos manualmente ou via clustering
agrupa_topicos(topicos = resultado$topicos, metodo = "cluster", n_clusters = 4)

🧾 extrai_topicos()

Para quê serve? Roda um modelo LDA simples a partir de PDFs e retorna os principais termos por tópico.

Caso prático: “Baixei os PDFs, agora quero uma ideia geral sobre os temas que aparecem mais nos artigos.”

topicos <- extrai_topicos("pdfs", k = 8, modo = "agrupado")

🏗 cria_dtm() + 🧩 modela_topicos()

Para quê servem? Separadamente permitem mais controle e personalização sobre o pipeline. Use quando quiser testar diferentes abordagens com a mesma base textual.

Caso prático: “Quero comparar o desempenho de LDA com NMF sobre a mesma base de documentos.”

dtm <- cria_dtm("pdfs", idioma = "portuguese")
modelo_lda <- modela_topicos(dtm, k = 10, method = "lda")
modelo_nmf <- modela_topicos(dtm, k = 10, method = "nmf")

🤖 modela_topicos(method = “stm”) + metadados

Para quê serve? Permite usar variáveis como ano, autor, tipo de periódico como covariáveis no modelo, com o método STM.

Caso prático: “Quero ver se os temas mudam com o tempo, comparando os tópicos de artigos publicados antes e depois de 2010.

# metadados deve conter colunas como 'ano_publicacao'
modelo_stm <- modela_topicos(dtm, k = 10, method = "stm", metadados = dados_artigos)

🔧 Em desenvolvimento

• Integração com modelos LLMs e SLMs (GPT, Claude, BERT etc)

  • Classificação temática automática

  • Sumarização de artigos

  • Extração de tópicos

• Visualizações com Shiny ou Quarto

• Mapeamento de co-citações e redes semânticas

👤 Autor

Desenvolvido por Baruque Rodrigues
Coordenador de Operacoes e cientista de dados interessado automacoes, money and politics, estatistica forense e NLP.

📜 Licença

MIT © 2025 — Você pode usar, modificar e redistribuir livremente com os devidos créditos.