4  Perfil da Turma

Primeiramente, vamos coletar as informações do perfil da turma a partir do arquivo compartilhado do Google Forms. Para isso, utilizaremos a função drive_download() do pacote googledrive, que permite baixar o arquivo diretamente do Google Drive para o ambiente de trabalho do R. Esse procedimento garante que os dados utilizados nas análises estejam sempre sincronizados com a planilha mais recente do formulário.

# IMPORTANDO: perfil da turma
library(googledrive)
drive_deauth()    
drive_user()      

perfil_final <-  drive_get(as_id("1y3qeje5BR6h9mRMWKQoIFAFvwCan3mEn"))   
drive_download(perfil_final, 
               path = "perfil_final.xlsx",
               overwrite = TRUE)

library("readxl")

perfil_turma <- read_excel("perfil_final.xlsx")

4.1 Formação Principal

A análise da formação dos participantes revela uma predominância de profissionais do Direito, que representam aproximadamente 53% da turma. Em seguida, destacam-se aqueles com formação em Ciência da Computação (25%) e Administração (7%). Essa composição evidencia o caráter interdisciplinar do grupo, reunindo formações jurídicas e técnico-analíticas, sendo esse um aspecto fundamental para o desenvolvimento da Jurimetria, que integra métodos estatísticos e ciência de dados à prática jurídica.

# Pacotes necessários
packages <- c("tidyverse", "readxl", "scales")
installed <- packages %in% rownames(installed.packages())
if (any(!installed)) install.packages(packages[!installed])
library(tidyverse)
library(readxl)
library(scales)

# Gráfico para Formação Pirncipal (valores absolutos)
perfil_turma <- read_excel("perfil_final.xlsx")
dados_form_princ <- perfil_turma %>%
  filter(!is.na(form_principal)) %>%
  group_by(valor = form_principal) %>%
  summarise(n = n(), .groups = "drop")

ggplot(dados_form_princ, aes(x = reorder(valor, -n), y = n, fill = valor)) +          # Ordem decrescente
  geom_col(show.legend = FALSE, fill = "#3f566f", alpha=0.7, color = "#4c5471") + # Adiciona as barras, cor das barras, transparencia
  geom_text(aes(label = n), vjust = -0.3, size = 3) +
  labs(
    title = "Distribuição da Formação dos Participantes",
    x = "Formação Principal",
    y = "Frequência (n)") +
  theme_bw() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

4.2 Tem Familiaridade com Métodos Quantitativos?

Observa-se que 71% dos participantes possuem conhecimento básico de métodos quantitativos, enquanto 18% têm familiaridade intermediária e 11% se consideram avançados nessa área. Essa distribuição indica que a maioria dos participantes está em um nível inicial de compreensão de métodos quantitativos, o que ressalta a importância do curso para aprimorar e avançar nessas habilidades essenciais para a análise de dados no contexto jurídico.

# Gráfico para Familiaridade com M.Q. (valores absolutos)
perfil_turma <- read_excel("perfil_final.xlsx")
dados_fam_mq <- perfil_turma %>%
  filter(!is.na(fam_mq)) %>%
  group_by(valor = fam_mq) %>%
  summarise(n = n(), .groups = "drop")

ggplot(dados_fam_mq, aes(x = reorder(valor, -n), y = n, fill = valor)) +          # Ordem decrescente
  geom_col(show.legend = FALSE, fill = "#3f566f", alpha=0.7, color = "#4c5471") + # Adiciona as barras, cor das barras, transparencia
  geom_text(aes(label = n), vjust = -0.3, size = 3) +
  labs(
    title = "Distribuição da Familiaridade com Métodos Quantitativos",
    x = "Como Considera sua Familiaridade com MQ?",
    y = "Frequência (n)") +
  theme_bw() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

4.3 Tem Familiaridade com Programação?

Observa-se que 46% dos participantes são familiarizados com planilhas eletrônicas e 25% não possuem nenhum contato. O Uso de planilha apesar da sua importância, não nos ajuda no desenvolvimento de habilidades de programação mais avançadas, que são essenciais para a análise de grandes volumes de dados e automação de processos no contexto jurídico. 25% dos participantes já tiveram contao com ferramentas que serão importantes para o curso, R e Python. Apenas 1 participante indicou uso regular de programação. Essa distribuição destaca a necessidade de fortalecer as competências em programação entre os participantes, visando capacitá-los para lidar com desafios das análises jurimétricas.

# Gráfico para Formação Pirncipal (valores absolutos)
perfil_turma <- read_excel("perfil_final.xlsx")
dados_fam_programa <- perfil_turma %>%
  filter(!is.na(fam_programa)) %>%
  group_by(valor = fam_programa) %>%
  summarise(n = n(), .groups = "drop")

ggplot(dados_fam_programa, aes(x = reorder(valor, -n), y = n, fill = valor)) +          # Ordem decrescente
  geom_col(show.legend = FALSE, fill = "#3f566f", alpha=0.7, color = "#4c5471") + # Adiciona as barras, cor das barras, transparencia
  geom_text(aes(label = n), vjust = -0.3, size = 3) +
  labs(
    title = "Distribuição da Familiaridade com Programação",
    x = "Como Considera sua Familiaridade com Programação?",
    y = "Frequência (n)") +
  theme_bw() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

4.4 Conhece as Linguagens de Programação Necessárias?

Com base na informações fornecidas, observa-se que 61% dos participantes não tiveram contato prévio com linguagens de programação como R ou Python. Por outro lado, 35% indicaram ter tido algum contato com R ou Python e 1 participante em outras linguagens de programação. Essa distribuição sugere que a maioria dos participantes está em um estágio inicial em relação ao uso dessas ferramentas, o que reforça a importância do curso para capacitá-los no uso de linguagens de programação essenciais para a análise de dados no contexto jurídico.

# Gráfico para Contato com Linguagens de Programação (valores absolutos)
perfil_turma <- read_excel("perfil_final.xlsx")
dados_contato_com <- perfil_turma %>%
  filter(!is.na(contato_com)) %>%
  group_by(valor = contato_com) %>%
  summarise(n = n(), .groups = "drop")

ggplot(dados_contato_com, aes(x = reorder(valor, -n), y = n, fill = valor)) +          # Ordem decrescente
  geom_col(show.legend = FALSE, fill = "#3f566f", alpha=0.7, color = "#4c5471") + # Adiciona as barras, cor das barras, transparencia
  geom_text(aes(label = n), vjust = -0.3, size = 3) +
  labs(
    title = "Já teve Contato com as Linguagens R, Python ou Outra?",
    x = "Ja tive contato com:",
    y = "Frequência (n)") +
  theme_bw() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

4.5 Trabalha com Inteligência Artificial?

A maioria indica não ter conhecimento ou pouco contato (57%) com ferramentas de inteligência artificial. Cerca de 40% utiliza algumas vezes e apenas 1 participante indica uso regular. Essa distribuição sugere que muitos participantes ainda estão em estágios iniciais de familiaridade com IA, reforçando a necessidade de aprendizado para atingir uma estruturação mais robusta de banco de dados para jurimetria.

# Gráfico para Uso da IA (valores absolutos)
perfil_turma <- read_excel("perfil_final.xlsx")
dados_trab_ia <- perfil_turma %>%
  filter(!is.na(trab_ia)) %>%
  group_by(valor = trab_ia) %>%
  summarise(n = n(), .groups = "drop")

ggplot(dados_trab_ia, aes(x = reorder(valor, -n), y = n, fill = valor)) +          # Ordem decrescente
  geom_col(show.legend = FALSE, fill = "#3f566f", alpha=0.7, color = "#4c5471") + # Adiciona as barras, cor das barras, transparencia
  geom_text(aes(label = n), vjust = -0.3, size = 3) +
  labs(
    title = "Distribuição da FreqUencia de Uso da Inteligência Artificial",
    x = "Com que Frequência usa a IA?",
    y = "Frequência (n)") +
  theme_bw() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

4.6 Expectativas

O quadro abaixo mostra uma análise das expectativas dos participantes em relação ao curso. Gestão de processo, aprendizado técnico em estatística e ciência de dados, e a integração entre Direito e Dados (Jurimetria) são as áreas mais mencionadas.

Categoria	Descrição	Exemplos
Gestão processual baseada em dados	Uso de indicadores e evidências para aperfeiçoar a gestão institucional.	“Compreender melhor a necessidade de medir indicadores processuais.”
Aprendizado técnico em estatística e ciência de dados	Domínio de ferramentas, modelagem e visualização de dados.	“Aprofundar conceitos de estatística inferencial e mineração de dados.”
Integração Direito + Dados (Jurimetria)	Aplicar raciocínio empírico e quantitativo ao campo jurídico.	“Aplicar estatística e ciência de dados ao Direito.”
Pesquisa empírica e inovação	Aplicar técnicas de dados a projetos científicos e institucionais.	“Formulação de pesquisas empíricas.”
Tomada de decisão e estratégia baseada em evidências	Apoiar decisões e planejamento institucional.	“Transformar dados em informação útil para nortear decisões.”
Governança e estruturação de dados	Fortalecer a cultura e gestão de dados no TJTO.	“Contribuir na estruturação do setor de dados.”
Inteligência Artificial e análise preditiva	Interesse em IA e uso de algoritmos no Judiciário.	“IA como instrumento de combate ao racismo algorítmico.”