1
resposta

Desafio Resenhas e json

ChatGPT

sua tarefa é criar para cada resenha separada por """ """ as seguintes aplicações:

Um resumo em português com no máximo 30 palavras;
Uma lista com os pontos fortes do aparelho;
Uma lista com os pontos fracos do aparelho;
O sentimento final da pessoa em relação ao produto, ou seja, se o sentimento é positivo, neutro ou negativo.

Resenha 1
Resumo (máx. 30 palavras):
Air fryer funciona muito bem e prepara alimentos saborosos, mas a grade é difícil de limpar e parece insegura ao despejar alimentos.

Pontos fortes:

Funciona muito bem

Hamburgueres ficaram saborosos

Cesto fácil de limpar

Boa performance no preparo dos alimentos

Pontos fracos:

Grade difícil de limpar

Muitas frestas acumulam comida

Grade parece insegura ao despejar alimentos

Sentimento final:
Positivo

Resenha 2
Resumo (máx. 30 palavras):
A air fryer funciona bem inicialmente, mas o cabo quebra facilmente devido à estrutura frágil, tornando o aparelho inutilizável.

Pontos fortes:

Funciona bem enquanto está intacta

Pontos fracos:

Cabo quebra facilmente

Estrutura plástica frágil

Apenas três parafusos de fixação

Produto fica inutilizável após o defeito

Sentimento final:
Negativo

Resenha 3
Resumo (máx. 30 palavras):
Air fryer bonita e eficiente em alguns alimentos, mas difícil de usar para iniciantes devido às funções confusas e cozimento inconsistente.

Pontos fortes:

Design moderno e elegante

Botões iluminados agradáveis

Fácil de usar

Tater tots ficaram perfeitos

Mantém os alimentos quentes

Cliente gostou da marca e comprou modelo maior

Pontos fracos:

Funções confusas

Difícil acertar o tempo de preparo

Cozimento inconsistente em alguns alimentos

Frango ficou cru de um lado

Necessidade de comprar modelo maior fora da Amazon

Sentimento final:
Positivo

agora, gere um resultado no formato json especificando 5 chaves listadas abaixo:
1-ID da resenha
2-Resumo
3-Lista de pontos fortes
4-Lista de pontos fracos
5- Sentimento

[
{
"id_resenha": 1,
"resumo": "Air fryer funciona muito bem e prepara alimentos saborosos, mas a grade é difícil de limpar e parece insegura ao despejar alimentos.",
"pontos_fortes": [
"Funciona muito bem",
"Hamburgueres ficaram saborosos",
"Cesto fácil de limpar",
"Boa performance no preparo dos alimentos"
],
"pontos_fracos": [
"Grade difícil de limpar",
"Muitas frestas acumulam comida",
"Grade parece insegura ao despejar alimentos"
],
"sentimento": "positivo"
},
{
"id_resenha": 2,
"resumo": "A air fryer funciona bem inicialmente, mas o cabo quebra facilmente devido à estrutura frágil, tornando o aparelho inutilizável.",
"pontos_fortes": [
"Funciona bem enquanto está intacta"
],
"pontos_fracos": [
"Cabo quebra facilmente",
"Estrutura plástica frágil",
"Apenas três parafusos de fixação",
"Produto fica inutilizável após o defeito"
],
"sentimento": "negativo"
},
{
"id_resenha": 3,
"resumo": "Air fryer bonita e eficiente em alguns alimentos, mas difícil de usar para iniciantes devido às funções confusas e cozimento inconsistente.",
"pontos_fortes": [
"Design moderno e elegante",
"Botões iluminados agradáveis",
"Fácil de usar",
"Tater tots ficaram perfeitos",
"Mantém os alimentos quentes",
"Cliente gostou da marca e comprou modelo maior"
],
"pontos_fracos": [
"Funções confusas",
"Difícil acertar o tempo de preparo",
"Cozimento inconsistente em alguns alimentos",
"Frango ficou cru de um lado",
"Necessidade de comprar modelo maior fora da Amazon"
],
"sentimento": "positivo"
}
]

1 resposta

Olá, Luiz. Como vai?

Excelente entrega! Parabéns pela resolução do desafio. Você aplicou com maestria os conceitos de engenharia de prompts voltados para a extração de dados e análise de sentimentos, que são técnicas fundamentais quando trabalhamos com Processamento de Linguagem Natural (PLN) integrado ao ChatGPT.

O seu prompt de instrução inicial dividiu muito bem as tarefas complexas (resumo, extração de pontos e classificação de sentimentos) e, no segundo momento, você conseguiu fazer a transição perfeita da linguagem natural para uma estrutura de dados estruturada no formato JSON (JavaScript Object Notation).

Para agregar ainda mais valor ao seu exercício e trazer algumas boas práticas sobre a manipulação de JSON e Engenharia de Prompts, analisei detalhadamente o seu resultado:

1. Validação do Formato JSON

A estrutura que você gerou está 100% correta e segue rigorosamente a especificação técnica do formato JSON. Você utilizou corretamente:

  • Um par de colchetes [ ] para criar uma lista (array) de objetos;
  • Chaves { } para delimitar cada uma das resenhas;
  • Aspas duplas "" tanto para o nome das propriedades quanto para os valores textuais;
  • Colchetes [ ] internos para organizar os pontos fortes e fracos como listas de strings, o que é a decisão perfeita para o desenvolvimento de sistemas, pois permite que um desenvolvedor percorra esses pontos individualmente depois.

2. Dica de Ouro: Combinando Instrução e Formato em um Único Prompt

No dia a dia de um programador ou analista de dados, fazer o trabalho em duas etapas (pedir o texto primeiro e depois pedir o JSON) funciona bem, mas consome o dobro de requisições e tokens da API do ChatGPT.

Uma excelente boa prática é pedir para o ChatGPT fazer a análise e a formatação tudo de uma vez só, especificando o esquema (schema) do JSON no próprio prompt original. Veja um exemplo de como estruturar esse prompt unificado:

Sua tarefa é analisar três resenhas de produtos. Para cada resenha, extraia: um resumo em português com no máximo 30 palavras, uma lista de pontos fortes, uma lista de pontos fracos e o sentimento final (positivo, neutro ou negativo).

Gere a resposta FINAL estritamente no formato de uma lista JSON, seguindo exatamente a estrutura do modelo abaixo, sem adicionar nenhum texto explicativo antes ou depois do código:

[
  {
    "id_resenha": 1,
    "resumo": "Texto do resumo aqui",
    "pontos_fortes": ["ponto 1", "ponto 2"],
    "pontos_fracos": ["ponto 1", "ponto 2"],
    "sentimento": "positivo/neutro/negativo"
  }
]

Aqui estão as resenhas:
"""
[Cole suas resenhas aqui]
"""

Ao passar o modelo visual do JSON desejado e a regra de restrição ("sem adicionar nenhum texto explicativo antes ou depois"), a IA devolve um código limpo que pode ser diretamente integrado a um script em Python, Node.js ou qualquer outra linguagem para automação de relatórios.

O seu resultado mostra que você compreendeu perfeitamente o objetivo do capítulo sobre como moldar os resultados do ChatGPT para atender a necessidades técnicas reais de análise de dados. Continue com esse foco excelente!

Espero que possa ter lhe ajudado!