R> library(tidyverse)
R> library(ellmer)
R> library(quallmer)
R> 
R> chat <- chat_ollama(
+   model = "granite4.1:3b",
+   system_prompt = "Sos un asistente de investigación social. Respondé en español, en una sola oración."
+ )
R> 
R> chat$chat("¿Qué es una encuesta de victimización?")

R> codebook_motivos <- qlm_codebook(
+   name = "motivos_no_denuncia",
+   instructions = "Leé el fragmento de entrevista. La persona fue víctima de un delito
+   y no hizo la denuncia. Clasificá el MOTIVO PRINCIPAL en una de estas categorías:
+   - desconfianza: no cree que la policía o la justicia investiguen o resuelvan nada
+   - miedo: teme represalias del agresor o de su entorno
+   - costo: el trámite implica demasiado tiempo, viajes o burocracia
+   - poca_gravedad: considera que el hecho no fue suficientemente grave
+   - resolucion_propia: resolvió el problema por su cuenta o por otra vía
+   Elegí UNA sola categoría, la que mejor capture el motivo central del relato.",
+   schema = type_object(
+     motivo = type_enum(
+       c("desconfianza", "miedo", "costo", "poca_gravedad", "resolucion_propia"),
+       "El motivo principal por el que no denunció"
+     ),
+     justificacion = type_string("Una oración que justifique la categoría elegida")
+   ),
+   role = "Sos un investigador experto en criminología y encuestas de victimización.",
+   levels = list(motivo = "nominal", justificacion = "nominal")
+ )

R> resultados <- as_tibble(codificado) |>
+   mutate(texto = str_trunc(entrevistas$texto, 60), gold = entrevistas$motivo_humano) |>
+   select(texto, motivo, gold)
R> 
R> resultados

R> resultados |> filter(motivo != gold)

R> # Instalar paquetes si no están disponibles
R> if (!require("fairmodels")) install.packages("fairmodels")
R> if (!require("DALEX")) install.packages("DALEX")
R> 
R> # Cargar paquetes
R> library(tidymodels)
R> library(fairmodels)
R> library(DALEX)

R> # Distribución de Risk por Sex
R> german |>
+   count(Sex, Risk) |>
+   group_by(Sex) |>
+   mutate(prop = n / sum(n)) |>
+   ggplot(aes(x = Sex, y = prop, fill = Risk)) +
+   geom_col(position = "dodge") +
+   scale_fill_manual(values = c("good" = "#2d4563", "bad" = "#e63946")) +
+   scale_y_continuous(labels = scales::percent) +
+   labs(title = "Distribución de riesgo crediticio por sexo",
+        y = "Proporción", x = "Sexo", fill = "Riesgo") +
+   theme_minimal(base_size = 14)

R> # Dividir en train/test (estratificado por el resultado)
R> set.seed(123)
R> split <- initial_split(german, prop = 0.7, strata = Risk)
R> train_data <- training(split)
R> test_data <- testing(split)
R> 
R> cat("Entrenamiento:", nrow(train_data), "filas\n")

R> cat("Test:", nrow(test_data), "filas\n")

R> # Resultado binario y datos sin Sex (el atributo protegido)
R> datos_modelo <- train_data |>
+   mutate(buen_pagador = ifelse(Risk == "good", 1, 0)) |>
+   select(-Risk, -Sex)
R> 
R> # Regresión logística: el clasificador clásico del día 2
R> modelo <- glm(buen_pagador ~ ., data = datos_modelo, family = binomial)
R> 
R> # Probabilidad de "good" en test y decisión a 0.5
R> pred_probs <- predict(modelo, test_data, type = "response")
R> pred_class <- ifelse(pred_probs > 0.5, "good", "bad")
R> 
R> # Accuracy global
R> accuracy <- mean(pred_class == test_data$Risk)
R> cat("Accuracy global:", round(accuracy, 3), "\n")

R> # Crear objeto fairness con Sex como atributo protegido
R> fobject <- fairness_check(
+   explainer,
+   protected = test_data$Sex,
+   privileged = "male",  # grupo de referencia
+   cutoff = 0.5,         # umbral de decisión
+   verbose = TRUE
+ )

R> # Ver resumen
R> print(fobject)

R> plot(fobject)

R> codebook_motivos_v2 <- qlm_codebook(
+   name = "motivos_no_denuncia_v2",
+   instructions = "Leé el fragmento de entrevista. La persona fue víctima de un delito
+   y no hizo la denuncia. Clasificá el MOTIVO PRINCIPAL en una de estas categorías:
+   - desconfianza: no cree que la policía o la justicia investiguen o resuelvan nada
+   - miedo: teme represalias del agresor o de su entorno
+   - costo: el trámite implica demasiado tiempo, viajes o burocracia
+   - poca_gravedad: considera que el hecho no fue suficientemente grave
+   - resolucion_propia: resolvió el problema por su cuenta o por otra vía
+   Reglas de decisión, en orden de prioridad:
+   1. Si menciona amenazas, represalias o temor por su seguridad o la de su familia,
+      es 'miedo', aunque también exprese desconfianza en la policía.
+   2. Si el problema ya se resolvió por otra vía (acuerdo, devolución, gestión propia),
+      es 'resolucion_propia', aunque el hecho fuera menor.
+   3. Si el obstáculo es el trámite (tiempo, distancia, burocracia, sistemas caídos),
+      es 'costo', aunque el monto perdido sea chico.
+   4. 'poca_gravedad' sólo cuando el argumento central es que el hecho no era serio.
+   Elegí UNA sola categoría.",
+   schema = type_object(
+     motivo = type_enum(
+       c("desconfianza", "miedo", "costo", "poca_gravedad", "resolucion_propia"),
+       "El motivo principal por el que no denunció"
+     ),
+     justificacion = type_string("Una oración que justifique la categoría elegida")
+   ),
+   role = "Sos un investigador experto en criminología y encuestas de victimización.",
+   levels = list(motivo = "nominal", justificacion = "nominal")
+ )

R> codificado_v2 <- qlm_code(
+   entrevistas$texto,
+   codebook_motivos_v2,
+   model = "ollama/granite4.1:3b",
+   max_active = 1,
+   params = params(temperature = 0),
+   name = "granite_local_v2"
+ )
R> 
R> validacion_v2 <- qlm_validate(
+   codificado_v2,
+   gold = gold,
+   by = "motivo",
+   level = "nominal"
+ )
R> 
R> as_tibble(validacion_v2) |> select(measure, value)

R> # Crear grupos de edad
R> test_data <- test_data |>
+   mutate(
+     Age_group = case_when(
+       Age < 30 ~ "joven",
+       Age < 50 ~ "adulto",
+       TRUE ~ "mayor"
+     )
+   )
R> 
R> # Crear objeto fairness por edad
R> fobject_age <- fairness_check(
+   explainer,
+   protected = test_data$Age_group,
+   privileged = "adulto",
+   cutoff = 0.5,
+   verbose = FALSE
+ )
R> 
R> # Visualizar
R> plot(fobject_age)

R> # Función para calcular métricas con umbral personalizado
R> calc_metrics_threshold <- function(data, probs, threshold) {
+   pred <- ifelse(probs > threshold, "good", "bad")
+   data |>
+     mutate(pred = pred) |>
+     group_by(Sex) |>
+     summarise(
+       threshold = threshold,
+       accuracy = mean(pred == Risk),
+       tpr = sum(pred == "good" & Risk == "good") / sum(Risk == "good"),
+       fpr = sum(pred == "good" & Risk == "bad") / sum(Risk == "bad"),
+       .groups = "drop"
+     )
+ }
R> 
R> # Probar varios umbrales
R> thresholds <- c(0.3, 0.4, 0.5, 0.6, 0.7)
R> results <- map_dfr(thresholds, ~calc_metrics_threshold(test_data, pred_probs, .x))
R> 
R> results |>
+   arrange(Sex, threshold) |>
+   mutate(across(where(is.numeric), ~round(., 3)))

R> results |>
+   pivot_longer(cols = c(accuracy, tpr, fpr), names_to = "metric", values_to = "value") |>
+   ggplot(aes(x = factor(threshold), y = value, color = Sex, group = Sex)) +
+   geom_line(linewidth = 1) +
+   geom_point(size = 3) +
+   facet_wrap(~metric, scales = "free_y") +
+   scale_color_manual(values = c("female" = "#e63946", "male" = "#2d4563")) +
+   labs(title = "Efecto del umbral en métricas por grupo",
+        x = "Umbral", y = "Valor") +
+   theme_minimal(base_size = 14) +
+   theme(legend.position = "bottom")