Sugestões contextuais aparecem enquanto você trabalha. Um painel de chat responde perguntas abertas sobre seu modelo, sempre baseadas nos números que você já calculou.
Um olhar por aba
Abra Results, Editor, MGA ou Advanced e veja 1 a 3 sugestões no topo da aba. Cada dica lê seu modelo atual e cita seus próprios números.
Pergunte, obtenha respostas fundamentadas
Abra o robô no canto inferior direito para perguntar qualquer coisa sobre modelo, dados ou resultados. Quatro ferramentas somente-leitura dão acesso à estrutura do projeto, nunca às linhas brutas.
O Primer on PLS-SEM de Hair, Ringle e Sarstedt tem 428 páginas. Níveis R² de Chin, HTMT de Henseler, f² de Cohen, HTMT2 de Roemer, regras out-of-sample de Shmueli - cada passo de uma análise rigorosa tem um limiar, uma citação e uma ressalva sobre variância de domínio. Mesmo autores experientes mantêm o primer aberto ao lado do editor.
O Companheiro IA não remove esse rigor. Remove o imposto de busca. Ele lê seu projeto em tempo real, conhece o limiar aplicável, cita a fonte, e sinaliza onde você pode estar prestes a publicar algo que um revisor pegará.
As três últimas fases fecham o ciclo. Escolha os métodos avançados certos, redija os parágrafos de Método / Resultados / Discussão do seu output ao vivo, e deixe cada afirmação rastrear até um paper curado que o assistente pode nomear.
Lê a forma do seu modelo, o tamanho da amostra e os resultados, e propõe um pipeline ordenado de métodos avançados com uma linha de justificativa cada. IPMA antes de MGA. MICOM antes de MGA. Pular FIMIX abaixo de n = 200. Cada sugestão conhece o limiar que acabou de cruzar.
Parágrafos de Método, Resultados e Discussão redigidos do seu output de compute ao vivo como LaTeX ou Word. Inclui uma passagem de simulação-revisor: o que um revisor cético objetaria, e qual citação responde.
As respostas ancoram cada afirmação em uma biblioteca vetorial de 50+ clássicos PLS-SEM. Chin, Henseler, Hair, Sarstedt, Ringle, Shmueli, Sarstedt et al. Cada chip de citação abre o abstract do paper no drawer.
Transforme uma pergunta de pesquisa em um modelo inicial em segundos. Obtenha um questionário validado a partir das LVs do modelo. Colete dados, depois interprete com o mesmo assistente.
Digite sua pergunta de pesquisa. O assistente propõe 3-6 variáveis latentes com modos (reflexivo/formativo), caminhos hipotéticos com citações e 2-3 referências da literatura PLS-SEM. Um clique cria um novo modelo com LVs e caminhos já desenhados.
Dado o modelo, o assistente gera 4-6 itens validados por LV com citações (Davis TAM, Zeithaml SERVQUAL, Cronin & Taylor …). Ou comece do zero e escreva itens você mesmo. Edite inline, adicione demografia, exporte como CSV / Markdown / JSON para Qualtrics, LimeSurvey ou SoSci Survey.
trust1 Confio que esta loja cumpre suas promessas. trust2 Esta loja parece confiável em suas transações. trust3 A loja lida com meus dados pessoais com cuidado. O Companheiro não é um chatbot colado num formulário. Está tecido nos painéis que você já usa, e lê apenas o que precisa.
Enquanto você arrasta LVs e caminhos, o assistente lê a estrutura atual e aponta desalinhamentos de modo reflexivo/formativo, LVs com menos de 3 indicadores, e constructs isolados. Sugere constructs de ordem superior quando LVs correlacionados podem ser simplificados, e cita Sarstedt et al. (2019) sobre a abordagem disjoint two-stage.
Adequação do tamanho da amostra contra a regra 10x, auditoria de valores faltantes coluna por coluna, detecção de códigos sentinela (−99, −999), consistência de faixas de escala entre indicadores do mesmo construct. Tudo a partir de resumos de colunas - nunca dos seus dados.
Níveis R² com cortes nomeados (Chin 1998), violações HTMT por par, falhas de confiabilidade por LV, aviso SRMR, e o próximo método mais útil dado o que você já tem. O passo de maior alavanca - a maioria dos manuscritos se ganha ou perde aqui.
O assistente escaneia seu dataset por colunas categóricas com 2–5 níveis (gênero, mercado, tratamento) e propõe candidatos MGA. Impõe a sequência MICOM-antes-de-MGA, avisa quando um grupo cai abaixo de n = 30, e sugere quais caminhos comparar entre grupos.
market tem 4 níveis (DE, US, UK, JP). Grupo JP tem n = 27 - abaixo do piso de 30 para bootstrap estável. Funda JP com outro mercado asiático ou exclua-o do MGA.Qual dos 15+ métodos realmente se ajusta ao seu modelo? O assistente lê seus R², tamanho de amostra, forma do modelo e métricas de confiabilidade, então propõe um pipeline ordenado. A pergunta "o que devo rodar em seguida" recebe uma resposta concreta e defensável com citações.
Seção de Método, seção de Resultados, discussão de limitações - redigidas a partir do seu compute em tempo real como parágrafos LaTeX ou Word. Inclui a defesa-revisor: o que um revisor cético perguntaria e com que citação você responderia.
O Companheiro recusa-se a inventar números. Quando cita um corte, a citação está embutida em seu system prompt e reflete a literatura PLS-SEM canônica contra a qual o OpenPLS também valida.
| Critério | Corte | Fonte |
|---|---|---|
| Níveis R² | 0.19 / 0.33 / 0.67 | Chin (1998) |
| Níveis f² de Cohen | 0.02 / 0.15 / 0.35 | Cohen (1988) |
| Validade discriminante HTMT | < 0.85 (conservador), < 0.90 (liberal) | Henseler et al. (2015) |
| Refinamento HTMT2 | correção por média geométrica | Roemer et al. (2021) |
| Ajuste SRMR | < 0.08 | Hu & Bentler (1999) |
| α de Cronbach, confiabilidade composta | ≥ 0.70 | Nunnally & Bernstein (1994) |
| Regra 10x para tamanho da amostra | n ≥ 10 × max caminhos entrando em LV | Barclay et al. (1995) |
| Iterações bootstrap (publicação) | ≥ 5000 | Hair et al. (2022) |
| IPMA importância × performance | efeitos totais × pontuações latentes médias | Ringle & Sarstedt (2016) |
| Painel k-fold PLSpredict | RMSE, MAE vs. benchmark linear | Shmueli et al. (2019) |
Quando o assistente é perguntado sobre um limiar do qual não tem certeza, ele diz isso em vez de adivinhar. Essa regra está fixada no system prompt: "Se você não conhece um limiar com certeza, diga isso e não invente um número."
Composições ilustrativas de sessões de usuários OpenPLS e contextos PLS-SEM comuns. Nenhuma representa pessoas reais.
Companheiro sinaliza Loyalty com apenas 2 indicadores e cita Hair et al. 2019 sobre número mínimo de itens. Adiciona um terceiro item validado de Watanabe et al. 2018.
R² = 0.62 para Loyalty. HTMT Trust ↔ Satisfaction = 0.88 sinalizado. Sugere refinamento HTMT2 - passa limpamente em 0.83. Defesa-revisor garantida.
Sugere IPMA em Loyalty. Trust classifica em primeiro lugar de prioridade (importância 0.42, performance 61). Contribuição pronta para a seção Managerial Implications.
Companheiro detecta R² suspeitosamente baixo. Nota que valores −99 não estão registrados como faltantes. Recomenda adicionar −99 à lista missing-codes.
R² para Care-Quality → Satisfaction salta de 0.09 para 0.44 após tratamento correto de faltantes. Resultado torna-se publicável.
Hospital ID tem 4 níveis. Companheiro impõe MICOM primeiro - invariância parcial se mantém. MGA revela diferenças significativas Trust → Loyalty entre dois locais.
Companheiro sugere HOC formative-reflective para Service-Quality. Cita Sarstedt et al. 2019 disjoint two-stage. Seis itens se reduzem a um construct bidimensional mais limpo.
PLSpredict k = 10. Modelo supera benchmark linear em RMSE. Explica ao cliente a diferença entre R² in-sample e validade out-of-sample.
Exporta tabelas LaTeX e prioridades IPMA diretamente. Rascunho do relatório pronto dois dias antes do prazo.
Todo paper PLS-SEM carrega seu nome, sua defesa. O Companheiro é deliberadamente construído para fortalecer seu julgamento, não substituí-lo.
Forma do modelo, resumos de colunas, R², p-values, matrizes HTMT, confiabilidade - só isso. Nunca linhas do dataset, nunca identidade do uploader, nunca nomes de arquivos. O invariante é imposto em código, não em prompt.
Cada resposta mostra qual das quatro ferramentas somente-leitura o modelo chamou. Se afirma um número, você pode verificar qual ferramenta o produziu. Sem interpretação caixa-preta.
O Companheiro pode sugerir "rode IPMA em Loyalty" - não pode executar o compute sozinho. Você permanece no comando de cada passo irreversível.
Regra dura no system prompt: se incerto sobre um limiar ou aplicabilidade de método, o assistente diz isso em vez de alucinar. Recusa é uma feature.
O Companheiro está atrás de um opt-in explícito com superfície de consentimento clara. Uma vez ativo, um clique também o desliga - sem dependências ocultas, sem re-onboarding.
100 turnos de chat e 100 chamadas de hint por usuário por mês durante Beta. Você sempre sabe quantos restam. Sem cobrança automática, sem custo surpresa.
Todas as 7 fases estão no ar. Cada passo de um manuscrito PLS-SEM, da pergunta de pesquisa à defesa-revisor, agora tem um companheiro IA feito para ele.
Responde a qualquer pergunta aberta sobre seu modelo usando quatro ferramentas somente-leitura. No ar desde 2026-07-27.
1–3 sugestões proativas no topo de cada aba de projeto. No ar desde 2026-07-27.
Transforma sua pergunta de pesquisa e lista aproximada de constructs em um modelo inicial. O assistente propõe LVs, modos, caminhos e cita 2–3 modelos publicados com estrutura similar como blueprints. No ar desde 2026-07-27.
Para cada LV no seu modelo, obtenha 4–6 sugestões de itens validados com citação (Trust, Satisfaction, Loyalty, Perceived Usefulness e dezenas de constructs comuns). No ar desde 2026-07-27.
Lê o projeto completo (modelo + dados + resultados) e redige um pipeline ordenado de métodos avançados - IPMA antes de MGA, MICOM antes de MGA, PLSpredict onde out-of-sample importa. Cada sugestão cita o limiar que acabou de cruzar. No ar desde 2026-08-03.
Parágrafos de Método, Resultados e Discussão gerados do seu output de compute ao vivo como LaTeX ou Word. Inclui simulação-revisor: o que um revisor cético objetará, e a citação que responde. No ar desde 2026-08-03.
Cada afirmação é ancorada em uma biblioteca vetorial de 50+ clássicos PLS-SEM (Chin, Henseler, Hair, Sarstedt, Ringle, Shmueli). Os chips de citação abrem o parágrafo fonte em um drawer. No ar desde 2026-08-03.