# config_visible-learning.py

# Pfad zur Eingabedatei
csv_file = "Thermometer.csv"

# Anzahl der Cluster für K-Means
k_clusters = 4

# Exportoptionen
export_fig_visual = False   # HTML-Export
export_fig_png = False     # PNG-Export

# Plot-Theme (dark / light)
theme = "dark"

# Kapitelsteuerung
selected_kapitel = None   # Nummer des Kapitels (z.B. 5), None = kein Filter
analyse_all = False       # True = alle Kapitel durchlaufen
export_werte_all = True  # Wertedatei (werte_all.json) exportieren

# 3D-Visualisierung: Toggle für die drei z-Modi mit sprechenden Achsentiteln
z_mode = "kapitel"  # Mögliche Werte: "effekt", "kapitel", "system"

z_axis_labels = {
    "effekt": "Effektstärke (Cohen d)",
    "kapitel": "Kapitelnummer",
    "system": "Systemebene (psychisch/sozial)"
}

# ———————————————————————————————————————————————
# Zusatz-Ausgaben & Netzwerkanalyse-Optionen
# ———————————————————————————————————————————————
# 1) Top-Listen der Effektstärken
export_top_extremes = True
top_n_extremes = 15

# 2) Item-Projektion im Netzwerk + Community-Labels
show_item_projection = True          # statt enable_item_projection
projection_method = "layout_spring"  # "layout_spring" | "umap"
show_community_labels = True
community_algorithm = "louvain"      # "louvain" | "leiden" (falls unterstützt)
min_community_size = 3

# 3) z-Achsen-Toggle kommt aus z_mode / z_axis_labels (oben)

cluster_algo = "none"      # "kmeans", "gmm", "agglomerative", "spectral", "dbscan", "none"
n_clusters = 5               # für kmeans, gmm, agglomerative, spectral
dbscan_eps = 0.15            # für dbscan
dbscan_min_samples = 5       # für dbscan
spectral_k = 5               # für spectral (falls von n_clusters abweichend)