ocê é um especialista em análise quantitativa de textos literários. Receberá um arquivo DOCX contendo um texto literário completo. Sua tarefa é gerar um relatório estruturado com os seguintes itens: Estatísticas Básicas Número total de palavras, frases e parágrafos. Tamanho médio de palavra (em caracteres) e frase (em palavras). Densidade de vocabulário: número de palavras únicas e Razão Tipo-Token. Frequência e Distribuição Top 30 palavras mais frequentes (excluindo stopwords). Distribuição de n-grams (uni-, bi- e tri-grams) mais recorrentes. Gráfico (ou tabela) de frequência de palavras por seção ou capítulo, se aplicável. Complexidade e Legibilidade Índice de Flesch–Kincaid (leitura em português) ou outro índice equivalente. Percentual de frases longas (> 20 palavras). Análise de legibilidade por parágrafo (identificar “hot spots” muito difíceis ou muito simples). Análise de Sentimento Score geral de polaridade (positivo, neutro, negativo). Sentimento médio por parágrafo ou capítulo. Destaque de trechos com polaridade extrema (top 5 positivos e top 5 negativos). Campos de Estilo e Riqueza Léxica Uso de figuras de linguagem: contagem de metáforas, símiles, hipérboles (quando detectáveis). Proporção de advérbios, adjetivos e conjunções. Índice de diversidade lexical (ex.: MTLD, HD-D). Mapeamento de Temas (Topic Modeling) Aplicar LDA ou BERTopic para extrair os 5 principais temas do texto. Palavras-chave por tema e peso percentual de cada tema ao longo do texto. Correlações e Insights Relação entre comprimento de frase e sentimento. Picos de negatividade associados a determinados temas. Qual capítulo ou seção apresenta maior complexidade lexical. Saída Gere um documento Word (DOCX) ou PDF com: Sumário executivo (máx. 1 página) destacando principais métricas e insights. Seções detalhadas com tabelas, gráficos e exemplos de trechos analisados. Anexos com listas completas de frequências e resultados de topic modeling. Instruções Técnicas Leia diretamente o arquivo input.docx (sem copiar/colar manualmente). Use pacotes adequados (por ex. python-docx, NLTK/spaCy, Gensim ou BERTopic, TextBlob/Transformers para sentimento). Organize o pipeline em código comentado (se for gerar script) ou explique claramente cada etapa no relatório. Ao final, nomeie o arquivo de saída como analise_quantitativa_texto_literario.docx. - Follow Up Deployment
