Resultado
Todos os cálculos são feitos localmente no seu navegador: análise, gráfico, exportação. Se você desconectar a rede, a página continua funcionando.
Fatos e limites do método
| Método | Índice de Jaccard sobre conjuntos de palavras: palavras compartilhadas dividido pelo total de palavras distintas nos dois textos |
|---|---|
| Tokenização | Palavras são sequências de caracteres sem espaço, separadas por espaços, tabulações e quebras de linha |
| Tratamento de maiúsculas | Os dois textos são convertidos para minúsculas antes da comparação, então «Crescimento» e «crescimento» contam como a mesma palavra |
| Repetições | Cada palavra é contada uma vez por texto — repetir uma palavra não muda a pontuação |
| Ordem das palavras | Totalmente ignorada — importa apenas quais palavras aparecem, não a sequência delas |
| Faixa da pontuação | De 0% sem palavras compartilhadas até 100% com conjuntos de palavras idênticos |
Quando induz ao erro
- Esta é similaridade de CONJUNTO de palavras, não de frases ou sentenças: dois textos com exatamente as mesmas palavras em uma ordem completamente diferente pontuam 100%, mesmo que o significado seja diferente. Essa é uma limitação real do método, não um bug.
- A pontuação colada a uma palavra faz parte do token: «crescimento,» e «crescimento» são contadas como duas palavras diferentes, a menos que você remova a pontuação antes de colar o texto.
- A pontuação não leva em conta a frequência nem a importância das palavras — um texto que repete uma palavra cem vezes é comparado exatamente da mesma forma que se essa palavra aparecesse uma única vez, porque as repetições colapsam em uma única entrada do conjunto.
- Em textos muito curtos, a pontuação pode saltar para 0% ou 100% por causa de uma única diferença de palavra, já que os tamanhos da união e da interseção são pequenos — em textos mais longos, do tamanho de uma frase ou parágrafo, a pontuação é bem mais estável e significativa.
Como é calculado
Os dois textos são convertidos para minúsculas e divididos em palavras por qualquer sequência de espaços em branco; então a lista de palavras de cada texto vira um conjunto de palavras únicas — palavras repetidas dentro de um mesmo texto colapsam em uma única entrada.
«Palavras em comum» é a interseção dos dois conjuntos: palavras que aparecem tanto no texto A quanto no texto B, não importa quantas vezes nem onde.
«Palavras só em A» e «palavras só em B» são as palavras presentes em um conjunto mas ausentes no outro; junto com as palavras compartilhadas, elas formam a união do vocabulário dos dois textos.
A porcentagem de similaridade é o índice de Jaccard: o número de palavras compartilhadas dividido pelo número total de palavras distintas nos dois textos, mostrado como porcentagem com uma casa decimal.
Perguntas e respostas
Por que dois textos com as mesmas palavras em ordem diferente pontuam 100%?
Porque o método compara CONJUNTOS de palavras, não sequências — ele só verifica quais palavras aparecem, nunca a ordem delas. Se a ordem das palavras importa no seu caso, essa pontuação não é a ferramenta certa.
Maiúsculas afetam a pontuação?
Não. Os dois textos são convertidos para minúsculas antes da comparação, então «Relatório» e «relatório» são tratados como a mesma palavra.
Repetir uma palavra aumenta a pontuação de similaridade?
Não. Cada palavra é contada uma vez por texto, não importa quantas vezes apareça, então repetições dentro de um mesmo texto não afetam a pontuação.
O que significa 0% e o que significa 100%?
0% significa que os dois textos não compartilham nenhuma palavra; 100% significa que ambos os textos contêm exatamente o mesmo conjunto de palavras únicas, mesmo que a contagem de repetições ou a ordem sejam diferentes.
Algum dos textos é enviado para algum lugar?
Não. Tudo roda no seu navegador; nenhum dos textos é enviado a um servidor.