Como as palavras são contadas
As respostas são divididas em palavras pelo segmentador embutido no navegador (Intl.Segmenter), que segue as regras de limites de palavra do Unicode e usa dicionários para chinês, japonês e tailandês; assim, texto sem espaços também é separado em palavras. As palavras passam para minúsculas e são normalizadas; a pontuação é descartada e os números podem ser descartados.
Stopwords (o, de, que, muito…) são removidas com listas padrão compactas para nove idiomas. No modo automático, cada resposta recebe sua lista: pela escrita para chinês, japonês e coreano e, nos demais casos, pela lista com mais palavras reconhecidas entre português, inglês, espanhol, francês, alemão e italiano. Plurais em inglês podem ser unificados; não há outra lematização, então “entrega” e “entregas” são contadas separadamente. Expressões de duas ou três palavras são formadas dentro de cada oração.
Fórmula
% de respostas que mencionam w = soma dos pesos das respostas que contêm w ÷ soma dos pesos das respostas com texto (sem ponderação, cada resposta vale 1). Repetições dentro de uma resposta contam uma vez; “menções” mostra todas as ocorrências.
A comparação entre segmentos usa, para cada palavra, o teste z de duas proporções com variância combinada: z = (p₁ − p₂) ÷ √(p̄(1 − p̄)(1/n₁ + 1/n₂)), em que p₁ é a parcela no segmento, p₂ a parcela em todos os outros segmentos juntos e p̄ a parcela combinada. Com pesos, n é o tamanho de amostra efetivo de Kish (Σw)² ÷ Σw² (aproximação).
Exemplo prático
“Usar dados de exemplo” carrega uma pesquisa sintética sobre um serviço de entrega de comida: 480 pessoas respondem “O que mais melhoraria o nosso serviço de entrega de comida?” e 464 escrevem algo. Com as configurações padrão (stopwords automáticas em português, pelo menos 2 respostas por palavra), a palavra mais mencionada é “entrega”: 98 respostas (21,1%) a usam, 100 vezes no total. Em seguida vêm “atrasam” (15,5%) e “restaurantes” (14,9%).
Por tipo de cliente, os assinantes (n = 121) mencionam “assinatura” em 28,1% das respostas, contra 4,7% dos demais: z = 7,15, p < 0,001. Os clientes novos (n = 147) se destacam em “app” (20,4% contra 9,1%).
Clicar na palavra e ler as respostas desse segmento transforma a contagem em achado: o que exatamente incomoda esse grupo, nas palavras dele.
Quando usar e quando evitar
A frequência de palavras responde “quais palavras foram usadas”, não “o que quiseram dizer”.
- Uma primeira leitura de uma pergunta aberta grande antes de montar o livro de códigos.
- Encontrar palavras que um segmento, uma onda ou um mercado usa muito mais que os outros.
- Respostas curtas em vários idiomas, inclusive chinês, japonês e coreano, sem enviá-las a nenhum servidor.
- Relatar significado ou sentimento: a contagem ignora negação e contexto — para isso é preciso codificar.
- Pouquíssimas respostas (menos de umas 30): as diferenças entre palavras são quase só ruído.
- Textos longos, em que modelos de tópicos ou uma codificação cuidadosa funcionam melhor.
Como interpretar os resultados
Leia a parcela de respostas, não o tamanho da palavra: uma palavra em 20% das respostas é um tema frequente; em 2%, um detalhe. Leia as respostas por trás de cada palavra que citar. Na comparação por segmento, ▲ indica que o segmento menciona a palavra com frequência significativamente maior (p < 0,05); com muitas palavras, algumas diferenças surgem por acaso, então prefira as grandes, coerentes e com valores q de Benjamini–Hochberg baixos no CSV. O próximo passo é transformar temas recorrentes em códigos com a codificação de respostas abertas.