Exercício R Markdown

1ª Questão

Para realizar a análise do texto do discurso de Martin Luther King, primeiramente, foi carregado de um CSV onde cada linha correspondia a um parágrafo do texto transcrito.

Após juntar todos os parágrafos em um único campo, as operações de pré-processamento de texto abaixo foram aplicadas, com o intuito de remover dados indesejáveis do nosso conjunto.

setwd("~/git/DataAnalysisWithR/exercicios")
library(tm)
library(wordcloud)
library(readr)

speech <- read.csv("ihaveadream_speech.csv", header=F)
speech <- paste(speech$"V1", collapse = " ")

corpus <- Corpus(VectorSource(speech))
corpus <- tm_map(corpus, content_transformer(tolower))
corpus <- tm_map(corpus, removePunctuation)
corpus <- tm_map(corpus, removeNumbers)
corpus <- tm_map(corpus, removeWords, stopwords("english"))

matrix <- as.matrix(TermDocumentMatrix(corpus))
sorted_terms <- sort(rowSums(matrix), decreasing=T)

“I Have a Dream” é um discurso de 1963, proclamado pelo pastor e ativista político Martin Luther King contra o preconceito racial nos Estados Unidos.

Em um país que segregava pessoas pela cor da pele e excluía negros de seus direitos políticos, é comum que em seu discurso mais famoso estejam presentes palavras como “freedom”, “dream” e “justice”, como é mostrado na figura abaixo.

wordcloud(corpus, min.freq=1, max.words=60, random.order=F, rot.per=0.35, colors=brewer.pal(8, "Dark2"))

Como pacifista que sempre foi, King costumava pregar veementemente a ideia de união e direitos iguais para todos. Em seu discurso, ele repete frequentemente as palavras “nation” para indicar que a América é de todos e para todos, “hope” para exprimir sua esperança num futuro mais justo e “together”, representando seu senso de união. O gráfico abaixo ilustra as mais palavras mais frequentes no discurso.

barplot(sorted_terms[1:30], las=3, col=rainbow(10))

2ª Questão

O movimento ativista Black Lives Matter existe desde 2013 contra a desigualdade racial e a brutalidade da polícia americana. Porém, voltou aos holofotes após a morte de George Floyd, americano negro, no último mês de maio, assassinado por um policial branco em plena luz do dia e em frente às câmeras, acusado de usar dinheiro falso.

O acontecimento gerou comoção mundial, com manifestações em todos os 50 estados americanos, campanhas antirracistas ganhando mídia e grandes personalidades protestando em suas redes sociais, nas ruas e nos eventos esportivos.

Analisando os tweets acerca da campanha, se vê uma forte incidência de sentimentos negativos, principalmente tristeza, medo e raiva. O que traduz a revolta dos usuários da plataforma com o racismo recorrente e enrustido na cultura americana. Abaixo está um gráfico com a intensidade dos sentimentos extraídos de 1000 tweets sobre o movimento antirracista.

tweets <- searchTwitter("black lives matter", n=1000)
tweets <- twListToDF(tweets)

library(syuzhet)
s <- get_nrc_sentiment(tweets$text)
barplot(colSums(s), las=2,col = rainbow(10), ylab = "Quantidade",main = "Sentimento dos tweets")

3ª Questão

Princípio de Fermat \[ \delta S = \delta \int_{A}^{B} nds = 0 \]
Equações de campo de Einstein \[ R_{\mu v} - \frac{1}{2} R g_{\mu v} + \Lambda g_{\mu v} = \frac{8 \pi G}{c^4}T_{\mu v} \]
Equação da Relatividade \[ G_{\mu v} = 8 \pi g (T_{\mu v} + \rho _\Lambda g_{\mu v}) \]
Equação da superfície mínima \[ A(u) = \int_{\Omega} (1 + |\Delta u|^{1/2} dx_1...dx_n) \]
Transformada de Fourier \[ f(\xi) = \int_{-\infty}^{\infty} f(x)e^{-2 \pi i x \xi} dx \]

4ª Questão

Imagem 1 Imagem 2

5ª Questão

Os artigos citados são Srivastava and Singh (2020), Bhawiyuga et al. (2017), Mikic-Fonte, Llamas-Nistal, and Caeiro-Rodríguez (2018), Bollegala, Maehara, and Kawarabayashi (2015) e Huang et al. (2017).

Referências

Bhawiyuga, A., M. A. Fauzi, E. S. Pramukantoro, and W. Yahya. 2017. “Design of E-Commerce Chat Robot for Automatically Answering Customer Question.” In 2017 International Conference on Sustainable Information Engineering and Technology (Siet), 159–62.

Bollegala, Danushka, Takanori Maehara, and Ken-ichi Kawarabayashi. 2015. “Unsupervised Cross-Domain Word Representation Learning.” arXiv Preprint arXiv:1505.07184.

Huang, Xingchang, Yanghui Rao, Haoran Xie, Tak-Lam Wong, and Fu Lee Wang. 2017. “Cross-Domain Sentiment Classification via Topic-Related Tradaboost.” In Thirty-First Aaai Conference on Artificial Intelligence.

Mikic-Fonte, F. A., M. Llamas-Nistal, and M. Caeiro-Rodríguez. 2018. “Using a Chatterbot as a Faq Assistant in a Course About Computers Architecture.” In 2018 Ieee Frontiers in Education Conference (Fie), 1–4.

Srivastava, P., and N. Singh. 2020. “Automatized Medical Chatbot (Medibot).” In 2020 International Conference on Power Electronics Iot Applications in Renewable Energy and Its Control (Parc), 351–54.