PPGP/UFES - Aula aberta Inteligência Artificial e Pesquisa em Psicologia - 29/09/25

Prof. Dr. Hugo Cristo Sant’Anna - hugo.santanna@ufes.br

1. Requisitos

Esta demonstração depende dos seguintes programas e pacotes:

Positron: ambiente de desenvolvimento gratuito R/Python baseado em VSCode.
R-base: Distribuição básica da linguagem R, versão 3.6 ou posterior.
Ollama: interface para manipulação de modelos de linguagem.
gemma3 e embeddinggema: modelos de linguagem desenvolvidos pelo Google para utilização com Ollama.
Pacotes R: ollamar para conexão com Ollma e openxlsx para manipulação de planilhas Microsoft Excel (XLSX). A instalação de ambos será feita via códigos deste script.

Para instalar os modelos gemma3 e embeddinggemma, instale Ollama e busque um por vez na lista dos que podem ser instalados. Digite qualquer pergunta no chat para que a ferramenta faça o download e o instale. O modelo embeddinggemma apresentará um erro porque não possui capacidade de responder questões por chat.

Obs.: O modelo gemma3 pode ser substituído por qualquer outro, desde que seu sistema tenha memória RAM disponível. O modelo embeddinggemma tem finalidade específica (geração de embeddings) e pode ser substituído por outro com mesmas capacidades.

2. Carregando o script R

Após instalar todos os itens, abra este notebook no Positron. Salve este arquivo em qualquer pasta do seu computador e, com Positron aberto, selecione a opção:

File (arquivo) -> Open Folder (abrir pasta)

Localize a pasta em que o download foi salvo e confirme a seleção. Em seguida, o documento do notebook aparecerá na aba Explorer (explorador) na lateral esquerda da tela. Dê um duplo-clique sobre o arquivo para carregá-lo.

Para executar a demonstração, basta executar as células de código, pressionando o ícone ▷ (run/executar) de cada uma delas. Observe as mensagens de sucesso ou erro no espaço imediatamente abaixo das células.

Enquanto o código é executado, Positron exibe um temporizador que serve de parâmetro para a complexidade da operação. As requisições aos modelos de linguagem podem demorar vários segundos ou mesmo minutos para serem concluídas.

3. Funções básicas

O primeiro passo consiste em carregar o pacote ollamar, que permite comunicação entre o modelo carregado em Ollama e a linguagem R.

# carrega pacote ollamar
install.packages('ollamar')
library(ollamar)

Installing package into ‘C:/Users/msn/AppData/Local/R/win-library/4.5’
(as ‘lib’ is unspecified)

trying URL 'https://cran.rstudio.com/bin/windows/contrib/4.5/ollamar_1.2.2.zip'
Content type 'application/zip' length 628248 bytes (613 KB)
downloaded 613 KB

package ‘ollamar’ successfully unpacked and MD5 sums checked

The downloaded binary packages are in
    C:\Users\msn\AppData\Local\Temp\RtmpGQd2BW\downloaded_packages

Attaching package: ‘ollamar’

The following object is masked from ‘package:stats’:

    embed

The following object is masked from ‘package:methods’:

    show

Em seguida, devemos testar a conexão entre R e Ollama e verificar se o modelo gemma3 ou outro desejado estão corretamente instalados.

# testa a conexão
test_connection()

Ollama local server running

<httr2_response>
GET http://localhost:11434/
Status: 200 OK
Content-Type: text/plain
Body: In memory (17 bytes)

Se Ollama responder com Status: 200 OK, é sinal que está tudo certo e você pode executar as células seguintes! Se outra mensagem for exibida, certifique-se que Ollama está ativo no seu computador.

A próxima célula lista os modelos instalados em Ollama.

# lista modelos
list_models()

                   name   size parameter_size quantization_level
1        deepseek-r1:7b 4.7 GB           7.6B             Q4_K_M
2        deepseek-r1:8b 5.2 GB           8.2B             Q4_K_M
3 embeddinggemma:latest 622 MB        307.58M               BF16
4             gemma3:4b 3.3 GB           4.3B             Q4_K_M
5         gemma3:latest 3.3 GB           4.3B             Q4_K_M
6         granite3.3:8b 4.9 GB           8.2B             Q4_K_M
7       llama3.2:latest   2 GB           3.2B             Q4_K_M
8      phi4-mini:latest 2.5 GB           3.8B             Q4_K_M
             modified
1 2025-06-08T21:37:30
2 2025-06-08T19:10:17
3 2025-09-27T15:41:08
4 2025-06-08T17:47:20
5 2025-06-28T20:03:00
6 2025-06-13T19:13:21
7 2025-06-08T11:30:41
8 2025-05-30T19:54:58

O trecho de código a seguir testa a geração de textos a partir de um prompt simples para o modelo gemma3:4b. Você pode escolher entre qualquer modelo instalado, mas precisa informar o nome completo como indicado na coluna name da resposta da célula anterior.

A estrutura da requisição baseada na funçãp generate() é:

generate(modelo,prompt)

Onde modelo é o nome do modelo que processará o prompt, que é um texto entre aspas.

# armazena resultado do prompt na variável 'resposta'
resposta <- generate("gemma3:4b", "Liste os dias da semana em inglês e português.")

Para visualizar a resposta, utilizamos a função resp_process(), que converte os dados gerados pelo modelo para os seguintes formatos: * df: data frame, estrutura de dados padrão do R * jsonlist: objeto JSON, para ser consumido principalmente por aplicações Web (JavaScript) * raw: formato padrão de Ollama, com embeddings e outras informações de execução * resp: resposta da requisição, incluindo status, URL do servidor OLlama, formato da resposta e tamanho (em bytes) * tools: resposta para execução de tarefas por agentes

Neste exemplo, formataremos a resposta em texto para exibí-la com a função cat(). Ela está preparada para converter os símbolos \n em quebras de linha, facilitando a visualização da resposta.

# converte 'resposta' em 'dias' no formato texto
dias <- resp_process(resposta,"text")
# imprime
cat(dias)

Com certeza! Aqui estão os dias da semana em inglês e português:

**Inglês:**

*   Monday - Segunda-feira
*   Tuesday - Terça-feira
*   Wednesday - Quarta-feira
*   Thursday - Quinta-feira
*   Friday - Sábado
*   Saturday - Domingo
*   Sunday - Segunda-feira

**Português:**

*   Segunda-feira
*   Terça-feira
*   Quarta-feira
*   Quinta-feira
*   Sexta-feira
*   Sábado
*   Domingo

4. Configurando parâmetros

Como vimos na apresentação, podemos alterar a variabilidade das respostas do modelo por meio dos parâmetros temperature, top_k e top_p. Para isso, a função generate() possui argumentos que definem esses parâmetros, afetando a geração das respostas.

O exemplo a seguir gera três respostas diferentes para o mesmo prompt, em função dos valores elevados dos três parâmetros. Observe que os argumentos model e prompt estavam implícitos no exemplo anterior e agora foram utilizados para deixar o código mais preciso.

O argumento system define o comportamento geral do modelo e é considerado na geração de toda a resposta.

# armazena resultado do prompt nas variáveis 'resposta1', 'resposta2' e 'resposta3'
resposta1 <- generate(
  model="gemma3:4b", 
  system="Gere os textos em português do Brasil, utilizando termos técnicos. Seja conciso e objetivo",
  prompt="Explique, em até 100 palavras, qual é o objeto de estudos da Psicologia.",
  temperature=2.0,
  top_k=100,
  top_p=1.0)

resposta2 <- generate(
  model="gemma3:4b", 
  system="Gere os textos em português do Brasil, utilizando termos técnicos. Seja conciso e objetivo",
  prompt="Explique, em at'é 100 palavras, qual é o objeto de estudos da Psicologia.",
  temperature=2.0,
  top_k=100,
  top_p=1.0)

resposta3 <- generate(
  model="gemma3:4b", 
  system="Gere os textos em português do Brasil, utilizando termos técnicos. Seja conciso e objetivo",
  prompt="Explique, em até 100 palavras, qual é o objeto de estudos da Psicologia.",
  temperature=2.0,
  top_k=100,
  top_p=1.0)

O resultado precisa ser novamente convertido em formato texto antes de ser exibido:

# converte respostas para o formato texto
explicacao1 <- resp_process(resposta1,"text")
explicacao2 <- resp_process(resposta2,"text")
explicacao3 <- resp_process(resposta3,"text")
# imprime cada resposta adiciona a quebra de linha ao final
cat("resposta 1:\n",explicacao1,"\n\n")
cat("resposta 2:\n",explicacao2,"\n\n")
cat("resposta 3:\n",explicacao3)

resposta 1:
 A Psicologia é o estudo científico do comportamento humano e dos processos mentais. Detalha processos como percepção, cognição, emoção, motivação, personalidade, desenvolvimento e bem-estar psíquico. Suas disciplinas analisam desde os níveis biopsicossociais das atividades humanas, empregando métodos científicos para entender e reter padrões individuais e gerais, visando a explicitação de suas interligações, teorias bem estabelecidas e inferências fundamentadas em rigor crítico. 

resposta 2:
 A Psicologia investiga os processos mentais e o comportamento humano, analisando **fenômenos psicológicos** de forma sistemática. Seu objeto de estudo abrange desde **hábitos** cotidianos até desvios em saúde mental, passpor processos como percepção, pensamento, emoção, motivação e desenvolvimento. Adicionalmente, a psicologia busca compreender as interfaces entre mente e corpo, além das nuances da relação humano-sociedade, através de princípios de áreas especializadas, seguindo abordagens nomotéticas e descritivas em cada investigação feita. 

resposta 3:
 A Psicologia é o estudo científico do comportamento e dos processos mentais humanos. Busca compreender a mente, desde os aspectos conscientes – como pensamento, emoção e percepção – até os estados inconscientes. Fundamenta-se na observação, experimento e uso de métodos quantitativos para explorar a normalidade e patologias, analisando aspectos biofísicos, cognitivos, sociais, culturais e desenvolvimentois da experiência humana e suas manifestações.

A variação nas respostas ocorre com o mesmo prompt em função dos parâmetros. Experimente alterar os valores de temperature, top_k e top_p para visualizar as diferenças entre as respostas, com atenção especial ao vocabulário utilizado e estrutura do texto.

No exemplo a seguir, eliminamos a variabilidade reduzindo o valor de temperature para zero. A condicional if() ao final do trecho compara o conteúdo das respostas quanto à sua igualdade e apresenta o resultado.

# armazena resultado do prompt na variável 'resposta_fixa' (1ª vez)
resposta_fixa <- generate(
  model="gemma3:4b", 
  system="Gere os textos em português do Brasil, utilizando termos técnicos. Seja conciso e objetivo",
  prompt="Explique, em até 100 palavras, qual é o objeto de estudos da Psicologia.",
  temperature=0)

# converte e imprime 1º resultado
explicacao_fixa1 <- resp_process(resposta_fixa,"text")
cat("1ª vez:\n",explicacao_fixa1,"\n")

# armazena resultado do prompt na variável 'resposta_fixa' (2ª vez)
resposta_fixa <- generate(
  model="gemma3:4b", 
  system="Gere os textos em português do Brasil, utilizando termos técnicos. Seja conciso e objetivo",
  prompt="Explique, em até 100 palavras, qual é o objeto de estudos da Psicologia.",
  temperature=0)

# converte e imprime 2º resultado
explicacao_fixa2 <- resp_process(resposta_fixa,"text")
cat("\n2ª vez:\n",explicacao_fixa2,"\n")

# armazena resultado do prompt na variável 'resposta_fixa' (3ª vez)
resposta_fixa <- generate(
  model="gemma3:4b", 
  system="Gere os textos em português do Brasil, utilizando termos técnicos. Seja conciso e objetivo",
  prompt="Explique, em até 100 palavras, qual é o objeto de estudos da Psicologia.",
  temperature=0)

# converte e imprime 3º resultado
explicacao_fixa3 <- resp_process(resposta_fixa,"text")
cat("\n3ª vez:\n",explicacao_fixa3,"\n\n")

# compara o conteúdo das très respostas
if (explicacao_fixa1 == explicacao_fixa2 && explicacao_fixa1 == explicacao_fixa3) {
 print("Respostas iguais")
} else {
  print("Respostas diferentes")
}

1ª vez:
 A Psicologia é o estudo científico da mente e do comportamento humano. Seus objetos de estudo abrangem desde processos cognitivos como percepção, memória e linguagem, até as emoções, motivações e a dinâmica das relações interpessoais. 

Utilizando métodos científicos, a Psicologia busca compreender as causas e consequências do comportamento, bem como desenvolver teorias e intervenções para promover o bem-estar e a saúde mental. A disciplina investiga tanto aspectos conscientes quanto inconscientes da experiência humana. 

2ª vez:
 A Psicologia é o estudo científico da mente e do comportamento humano. Seus objetos de estudo abrangem desde processos cognitivos como percepção, memória e linguagem, até as emoções, motivações e a dinâmica das relações interpessoais. 

Utilizando métodos científicos, a Psicologia busca compreender as causas e consequências do comportamento, bem como desenvolver teorias e intervenções para promover o bem-estar e a saúde mental. A disciplina investiga tanto aspectos conscientes quanto inconscientes da experiência humana. 

3ª vez:
 A Psicologia é o estudo científico da mente e do comportamento humano. Seus objetos de estudo abrangem desde processos cognitivos como percepção, memória e linguagem, até as emoções, motivações e a dinâmica das relações interpessoais. 

Utilizando métodos científicos, a Psicologia busca compreender as causas e consequências do comportamento, bem como desenvolver teorias e intervenções para promover o bem-estar e a saúde mental. A disciplina investiga tanto aspectos conscientes quanto inconscientes da experiência humana. 

[1] "Respostas iguais"

5. Visualizando embeddings

Lembre-se da explicação sobre como LLMs funcionam: tokens têm representações numéricas nos termos de vetores multidimensionais (embeddings), sobre os quais podemos realizar operações de álgebra linear.

A função embed() retorna essa representação para o texto fornecido ao modelo embeddinggemma. Observe que não há argumento prompte sim input, uma vez que nao se trata de uma requisição de chat e sim de embeddings.

# gera embedding
representacao <- embed(
  model="embeddinggemma", 
  input="O céu está azul."
)

# exibe as primeiras linhas da representação
head(representacao)

             [,1]
[1,] -0.189909074
[2,]  0.003256798
[3,]  0.045977281
[4,] -0.015650675
[5,]  0.010171528
[6,]  0.028421785

Como discutimos, embeddings representam tokens em espaços multimensionais, nos quais podemos aplicar métricas diversas para estabelecer a similaridade entre termos, frases ou textos completos.

O exemplo a seguir compara três frases:

O céu está azul e está um dia ensolarado.
Está um dia chuvoso com céu nublado.
Hoje é um dia de verão.
O clima de hoje é de inverno.

# embedding da primeira frase
e1 <- embed(
  model="embeddinggemma", 
  input="O céu está azul, está um dia ensolarado e faz calor.",
  normalize=TRUE
)

# embedding da segunda frase
e2 <- embed(
  model="embeddinggemma", 
  input="Está um dia chuvoso, com céu nublado e tempo frio.",
  normalize=TRUE
)

# embedding da terceira frase
e3 <- embed(
  model="embeddinggemma", 
  input="Hoje é um dia de verão.",
  normalize=TRUE
)

# embedding da quarta frase
e4 <- embed(
  model="embeddinggemma", 
  input="O clima de hoje é de inverno.",
  normalize=TRUE
)

As representações das frases 1 e 3 deveriam estar próximas, uma vez que falam da mesma região no espaço de tokens, enquanto as frases 2 e 4 falam de outra região. Assim, a frase 1 deve estar mais distante de 2 e 4 e mais próxima de 3.

Calcularemos o produto escalar dos vetores utilizando a função sum() e a multiplicação embeddings desejados como argumentos.

# ensolarado e calor x nublado e frio
cat("1. e1 x e2:",sum(e1*e2),"\n")
# ensolarado e calor x verão
cat("2. e1 x e3:",sum(e1*e3),"\n")
# nublado e frio x verão
cat("3. e2 x e3:",sum(e2*e3),"\n")
# nublado e frio x inverno
cat("4. e2 x e4:",sum(e2*e4),"\n")

1. e1 x e2: 0.7090227 
2. e1 x e3: 0.7846455 
3. e2 x e3: 0.6637207 
4. e2 x e4: 0.7911741

6. Classificação de texto

Podemos utilizar os recursos dos modelos de linguagem para classificar textos: categorizações, sentimentos e outras inferências. Para isso, definiremos o argumento system como um agente que realiza tarefas de classificação.

O vetor comentarios contém respostas de internautas para uma notícia publicada no perfil de A Gazeta no Instagram. A tarefa atribuída ao modelo consiste em avaliar o sentimento do comentário (negativo/positivo).

O laço for() permite executar o mesmo conjunto de instruções sucessivas vezes, variando o conteúdo do prompt. Desse modo, poderíamos ter conjuntos de dados com milhares de linhas analisados pelo mesmo laço, mantendo as orientações do modelo.

# vetor com os comentários
comentarios <- c(
  "Querer o melhor para o nosso país. Isso se chama patriotismo. Aprendam bolsominios.",
  "Lembrando que a gazeta é da Globo. Faz parte da circo e nunca da as notícias corretas",
  "Estadista e melhor Presidente de todos os tempos da história da redemocratização!",
  "melhor é ver nos comentários o povo brasileiro torcendo pelo presidente americano. Inacreditável!!!",
  "Lula acredita em papai Noel kkkkkk o gato guando quer pegar o rato nao o espanta ,Trump tá só amaciando pra lula ir ficar frente a frente com lula pra falar como ele aceita o Moraes perseguir tanto os bolsonaristas ."
)

# laço pelos comentários
for (c in 1:length(comentarios)) {
  # requisição
  resposta <- generate(
    model="gemma3:4b", 
    system="Aja como um analista de redes sociais e identifique o sentimento dominante nos comentários em 'positivos', 'negativos', ou 'neutros'. Responda de forma concisa, com até 50 palavras.",
    prompt=paste("Qual é o sentimento dominante deste comentário? ",comentarios[c])
  )
  # exibe resposta
  cat("Comentário",c,"-",resp_process(resposta,"text"),"\n----------------------------\n")
}

Comentário 1 - Sentimento: Negativo.

Análise: O comentário expressa desdém e crítica direcionada aos "bolsominions", utilizando uma linguagem carregada e depreciativa. A afirmação "querer o melhor para o nosso país" é contraproducente, sendo usada como provocação. 
----------------------------
Comentário 2 - Sentimento: Negativo. O comentário expressa desconfiança e crítica à Globo, associando-a a "circo" e à falta de notícias precisas. A linguagem utilizada indica insatisfação e percepção de parcialidade. 
----------------------------
Comentário 3 - Sentimento: Positivo. O comentário expressa forte admiração e elogio ao indivíduo, utilizando linguagem altamente positiva e reverente. A frase "melhor Presidente" indica um sentimento de grande aprovação. 
----------------------------
Comentário 4 - Sentimento: Negativo. O comentário expressa incredulidade e discordância, indicando uma reação negativa à situação descrita - o apoio brasileiro ao presidente americano. A exclamação reforça o tom de insatisfação e crítica. 
----------------------------
Comentário 5 - Sentimento: **Negativo**. A postagem contém sarcasmo ("Lula acredita em papai Noel") e críticas direcionadas a ambos os políticos, indicando uma opinião negativa e desconfiança em relação aos eventos e figuras mencionadas. 
----------------------------

De modo semelhante, podemos instruir o modelo a analisar entrevistas em planilhas e identificar os temas de cada uma, apoiando o processo de análise de conteúdo. O pacote openxlsx facilita a importação de planilhas do Microsoft Excel.

Nesse caso, a construção do prompt baseado no modelo P.A.R.T.E. é fundamental.

# carrega pacote
install.packages('openxlsx')
library(openxlsx)

# importa dados
entrevistas <- read.xlsx('entrevistas.xlsx')

# analisa temas
for (e in 1:nrow(entrevistas)) {
  # requisição com prompt avançado (modelo PARTE)
  resposta <- generate(
    model="gemma3:4b", 
    system="Aja como um pesquisador realizando análise de conteúdo de entrevistas. Seja conciso e apresente suas respostas em até 50 palavras.",
    prompt=paste("Liste os principais temas da entrevista a seguir, indique dados econômicos que possam ter sido citados e classifique o desempenho de Lula em 'positivo', 'negativo' ou 'neutro'.",
    "\n###\n",
    "Utilize o seguinte formato para a resposta:\n",
    "1. Temas: [temas da entrevista]",
    "2. Dados econômicos: [sim/não] - [dados]",
    "3. Desempenho de Lula: [positivo/negativo/neutro]",
    "\n###\n",
    entrevistas$entrevista[e],
    sep="")
  )
  # exibe resposta
  cat("Entrevista",e,"-",entrevistas$veiculo[e],"\n",resp_process(resposta,"text"),"\n----------------------------\n")
}

Installing package into ‘C:/Users/msn/AppData/Local/R/win-library/4.5’
(as ‘lib’ is unspecified)

trying URL 'https://cran.rstudio.com/bin/windows/contrib/4.5/openxlsx_4.2.8.zip'
Content type 'application/zip' length 2495117 bytes (2.4 MB)
downloaded 2.4 MB

package ‘openxlsx’ successfully unpacked and MD5 sums checked

The downloaded binary packages are in
    C:\Users\msn\AppData\Local\Temp\RtmpGQd2BW\downloaded_packages
Entrevista 1 - bbc 
 1.  **Temas:** A entrevista aborda a disputa comercial entre Brasil e EUA, imposto de 50% sobre produtos brasileiros, a investigação judicial contra o ex-presidente Bolsonaro, a soberania nacional, a busca por novos mercados, a importância da negociação internacional e a relação bilateral entre os países.
2.  **Dados Econômicos:** Sim - Dados como o superávit comercial histórico do Brasil em relação aos EUA (410 bilhões de dólares), o PIB do Brasil representando 1,7% das exportações e a necessidade de encontrar novos mercados (BRICS, União Europeia, ASEAN) são mencionados.
3.  **Desempenho de Lula:** Neutro – Lula adota uma postura pragmática, enfatizando a importância da negociação e do respeito à soberania, sem idealizar a relação com os EUA. A crítica à imposição de tarifas e a defesa da utilização de todos os instrumentos diplomáticos indicam uma abordagem cautelosa e estratégica. 
----------------------------
Entrevista 2 - fantástico 
 1. **Temas:** Saúde (problemas de saúde recorrentes, cirurgias, exames), Política (descontentamento com oposição, reformas tributárias), Economia (juros altos, inflação, responsabilidade fiscal), Relacionamentos Pessoais (relacionamento com Janja, apoio da família).
2. **Dados econômicos:** "PIB de 22 trilhões", "taxa de juros acima de 12%", "inflação de 4 e pouco".
3. **Desempenho de Lula:** Neutro. Lula demonstra preocupação com a economia e desafios do país, mas sua resposta é focada em ações corretivas e controle de gastos, sem avaliar diretamente o desempenho de seu governo. 
----------------------------
Entrevista 3 - vários 
 1.  **Temas:** Reconstrução do país, retomada do crescimento econômico, combate à desinformação, COP30, Amazônia, transição energética, relação com a imprensa.
2.  **Dados econômicos:** Sim – Menciona crescimento de 7,5% no mandato anterior, G20 extraordinário, BRICS, acordos com EUA, US$ 1 trilhão e 300 bilhões de dólares para combater o desmatamento, e investimentos na indústria.
3.  **Desempenho de Lula:** Positivo – Apresenta-se como pronto para "reconstruir" o país, "retomar o crescimento", e demonstra confiança em resultados futuros, usando dados do passado para sustentar suas expectativas. 
----------------------------