Array
(
    [0] => stdClass Object
        (
            [journal] => stdClass Object
                (
                    [id_jnl] => 20
                )

        )

    [1] => stdClass Object
        (
            [section] => stdClass Object
                (
                    [section] => 17
                )

        )

    [2] => stdClass Object
        (
            [title] => Array
                (
                    [0] => Automated preparation of textual corpus for qualitative research with IRAMUTEQ@en
                    [1] => Preparación automatizada de corpus textual para investigaciones cualitativas con IRAMUTEQ@es
                    [2] => Preparação automatizada de corpus textual para pesquisas qualitativas com IRAMUTEQ@pt
                )

        )

    [3] => stdClass Object
        (
            [abstract] => Array
                (
                    [0] => Objective: To present an automated method for preparing textual corpora in qualitative research using IRaMuTeQ, reducing time and effort in text cleaning and formatting.Methodology: A Python script was developed and executed in Google Colab to automate text extraction from PDF files, remove incompatible characters, and structure the corpus according to IRaMuTeQ standards. The methodology was tested with different datasets to verify its effectiveness.Results: The automated approach eliminated inconsistencies in text formatting and significantly reduced the time required for corpus preparation, making qualitative analysis more efficient and accurate. The methodology enabled greater standardization and replicability in textual data processing.Conclusions: The proposed automation facilitates the adoption of IRaMuTeQ in large-scale qualitative research, eliminating technical barriers and enabling more detailed analyses. The integration of computational tools with textual analysis optimizes data organization, improving the quality and reliability of results.@en
                    [1] => Objetivo: Presentar un método automatizado para la preparación de corpus textual en investigaciones cualitativas utilizando IRaMuTeQ, reduciendo el tiempo y esfuerzo en la limpieza y el formato de textos.Metodología: Se desarrolló un código en Python, ejecutado en Google Colab, para automatizar la extracción de texto de archivos PDF, eliminar caracteres incompatibles y estructurar el corpus según los estándares exigidos por IRaMuTeQ. La metodología fue probada con diferentes conjuntos de datos para verificar su eficacia. Resultados: El enfoque automatizado eliminó inconsistencias en el formato de los textos y redujo significativamente el tiempo necesario para la preparación del corpus, haciendo el análisis cualitativo más eficiente y preciso. La metodología permitió una mayor estandarización y replicabilidad en el procesamiento de datos textuales. Conclusiones: La automatización propuesta facilita la adopción de IRaMuTeQ en investigaciones cualitativas a gran escala, eliminando barreras técnicas y permitiendo análisis más detallados. La integración de herramientas computacionales con el análisis textual optimiza la organización de los datos, mejorando la calidad y confiabilidad de los resultados.@es
                    [2] => Objetivo: Apresentar um método automatizado para a preparação de corpus textual em pesquisas qualitativas utilizando o IRaMuTeQ, reduzindo o tempo e esforço na limpeza e formatação de textos. Metodologia: Foi desenvolvido um script em Python, executado no Google Colab, capaz de extrair o texto de arquivos PDF por meio da biblioteca pdfminer.six, remover caracteres incompatíveis com o IRaMuTeQ, substituir elementos de formatação proibidos (como aspas, hífens e símbolos especiais), unificar quebras de linha e padronizar a estrutura do corpus. Cada documento foi processado individualmente, gerando arquivos de texto no formato .txt já estruturados com linhas de comando específicas (subcorpus), conforme as normas do software. Após essa etapa, foi realizada uma revisão manual para corrigir fragmentações de palavras e eliminar elementos residuais, como numeração de páginas. Resultados: A abordagem automatizada eliminou inconsistências na formatação dos textos e reduziu significativamente o tempo necessário para a preparação do corpus, tornando a análise qualitativa mais eficiente e precisa. A metodologia permitiu maior padronização e replicabilidade no processamento dos dados textuais. Conclusões: A automação proposta facilita a adoção do IRaMuTeQ em pesquisas qualitativas de grande escala, eliminando barreiras técnicas e permitindo análises mais detalhadas. A integração de ferramentas computacionais à análise textual otimiza a organização dos dados, melhorando a qualidade e confiabilidade dos resultados.@pt
                )

        )

    [4] => stdClass Object
        (
            [author] => Array
                (
                    [0] => Roberta de Oliveira Barbosa
                    [1] => Júlio de Oliveira Júnior
                    [2] => Luciano Cássio Lugli
                    [3] => Deise Aparecida Peralta
                )

        )

    [5] => stdClass Object
        (
            [subject] => Array
                (
                    [0] => Análise documental@pt
                    [1] => Revisão bibliográfica@pt
                    [2] => Google colab@pt
                    [3] => Document analysis@en
                    [4] => Literature review@en
                    [5] => Google colab@en
                    [6] => Python@en
                    [7] => Análisis documental@es
                    [8] => Revisión bibliográfica@es
                    [9] => Google colab@es
                    [10] => Python@es
                )

        )

    [6] => stdClass Object
        (
            [source] => stdClass Object
                (
                    [vol] => 30
                    [nr] => 3
                    [year] => 2025
                    [theme] => 
                )

        )

    [7] => stdClass Object
        (
            [datePub] => Array
                (
                    [0] => 2025-10-23
                )

        )

    [8] => stdClass Object
        (
            [DOI] => Array
                (
                    [0] => stdClass Object
                        (
                            [type] => DOI
                            [value] => Array
                                (
                                    [0] => 10.5433/1981-8920.2025v30n3p521
                                )

                        )

                )

        )

    [9] => stdClass Object
        (
            [http] => Array
                (
                    [0] => stdClass Object
                        (
                            [type] => HTTP
                            [value] => Array
                                (
                                    [0] => https://ojs.uel.br/revistas/uel/index.php/informacao/article/view/52300
                                )

                        )

                    [1] => stdClass Object
                        (
                            [type] => HTTP
                            [value] => Array
                                (
                                    [0] => https://ojs.uel.br/revistas/uel/index.php/informacao/article/view/52300/52846
                                )

                        )

                )

        )

    [10] => stdClass Object
        (
            [language] => Array
                (
                    [0] => pt
                )

        )

    [11] => stdClass Object
        (
            [license] => Array
                (
                    [0] => Copr
                    [1] => http://creativecommons.org/licenses/by/4.0
                )

        )

)