AI সেন্টিমেন্ট অ্যানালাইজার

এটি আপনাকে কী বলে

একটি লেখার অংশ পেস্ট করুন, Analyze চাপুন, এবং পৃষ্ঠাটি জানায় যে এটি ইতিবাচক না নেতিবাচক হিসেবে পড়া যায়, প্রতিটি দিকের জন্য একটি স্কোরসহ। কোনো নিরপেক্ষ বিকল্প নেই: যে স্কোরটি বেশি হয় সেটিই শিরোনাম হয়ে ওঠে, এবং প্রগ্রেস বার সেই দিকে ঝুঁকে পড়ে।

এটি একটি পোলারিটি ক্লাসিফায়ার, সম্পূর্ণ সেন্টিমেন্ট সিস্টেম নয়। এটি দিকগুলো বের করে না, রাগ বা আনন্দের মতো আবেগ চিহ্নিত করে না, এবং ফলাফল কোন শব্দগুলো চালিত করেছে তা ব্যাখ্যা করে না। এটি একটি সংকীর্ণ প্রশ্নের উত্তর দেয় — এই লেখাটি অনুকূল না প্রতিকূল শোনায়? — এবং ব্যাখ্যা আপনার উপর ছেড়ে দেয়।

মডেল

বান্ডল করা মডেলটি SST-2 ঐতিহ্যের একটি বাক্য-স্তরের পোলারিটি ক্লাসিফায়ার: সংক্ষিপ্ত ইংরেজি বাক্য, বেশিরভাগই চলচ্চিত্র পর্যালোচনা, Positive বা Negative হিসেবে লেবেল করা। এই উৎসটি গুরুত্বপূর্ণ। এটি সাধারণ, মূল্যায়নমূলক ভাষায় প্রকাশ করা মতামতের ক্ষেত্রে ভালো এবং তথ্যমূলক লেখার ক্ষেত্রে দুর্বল, যেখানে সনাক্ত করার মতো কোনো মতামতই থাকে না।

দুটি স্কোর সাধারণত মোটামুটি এক-এ দাঁড়ায়, কারণ অন্তর্নিহিত ক্লাসিফায়ার প্রতিটি ক্লাসে একটি সম্ভাব্যতা নির্ধারণ করে। পৃষ্ঠাটি দুটোই দেখায়, কিন্তু বড় লেবেল এবং বার শুধুমাত্র উচ্চতরটি অনুসরণ করে।

ফলাফল কীভাবে আঁকা হয়

Positive জিতলে প্যানেলটি একটি হাসিমুখ আইকন, সবুজ রঙে Positive শব্দটি, এবং একটি বার দেখায় যার প্রস্থ 50 শতাংশ যোগ Positive স্কোরের অর্ধেক। তাই 0.90 Positive স্কোর 85 শতাংশ বার আঁকে, 90 শতাংশ নয়। বারটি মধ্যবিন্দু থেকে একটি দৃশ্যমান ঝোঁক, স্কোরের সরাসরি প্লট নয়।

Negative জিতলে একই গণিত Negative স্কোরের উপর প্রযোজ্য হয়, এবং লেবেলটি লাল হয়ে যায়। যদি স্কোর দুটি হুবহু সমান হয়, কোডটি Negative শাখায় পড়ে, তাই একটি নিখুঁত সমতা Negative হিসেবে দেখানো হয়।

বারের নিচে, উভয় শতাংশ পাশাপাশি ছাপা হয়, Negative এবং Positive হিসেবে লেবেল করা। এগুলোই আসল সংখ্যা; বারটি কেবল একটি সারসংক্ষেপ। Clear বোতামটি টেক্সটএরিয়াটি খালি করে, অক্ষর গণনা রিসেট করে এবং ফলাফল লুকিয়ে ফেলে।

ধাপে ধাপে

1. বাক্সে টেক্সট পেস্ট বা টাইপ করুন। টাইপ করার সাথে সাথে অক্ষর কাউন্টার আপডেট হয়।
2. কমপক্ষে তিনটি অক্ষর না হওয়া পর্যন্ত Analyze বোতামটি নিষ্ক্রিয় থাকে।
3. প্রথম রানে, ব্রাউজার টেক্সট রানটাইম এবং BERT মডেল ডাউনলোড করে। প্যানেল প্রতিটি পর্যায়ের নাম বলে।
4. Analyze Sentiment চাপুন। ফলাফলটি খালি অবস্থাটি প্রতিস্থাপন করে।
5. তুলনা করতে টেক্সট সম্পাদনা করুন এবং আবার বিশ্লেষণ করুন; মডেলটি লোড করা থাকে।

Load AI Model বোতামটি প্রথম-রানের অপেক্ষা এড়াতে চাইলে সবকিছু আগেই লোড করে। একবার লোড হলে এটি সবুজ "Model Ready" অবস্থায় পরিবর্তিত হয়।

স্কোরগুলো সৎভাবে পড়া

একটি স্কোর হলো একটি লেবেলে ক্লাসিফায়ারের আস্থা, অনুভূতির পরিমাপ করা তীব্রতা নয়। 0.95 Positive মানে মডেলটি নিশ্চিত যে বাক্যটি Positive ক্লাসের অন্তর্গত; এর মানে এই নয় যে বাক্যটি অত্যন্ত ইতিবাচক। একটি হালকা অনুকূল পর্যালোচনা এবং একটি উচ্ছ্বসিত পর্যালোচনা দুটোই 0.99-এর কাছে পৌঁছাতে পারে।

ছোট পার্থক্য হলো শব্দ (noise)। 0.52 Positive বনাম 0.48 Negative-এর ফলাফল একটি কয়েন টসের কাছাকাছি, এবং একটি একক শব্দ পুনরায় লিখলে এটি উল্টে যেতে পারে। 0.45 থেকে 0.55 সীমার যেকোনো কিছুকে দুর্বল Positive হিসেবে নয়, বরং অনিষ্পন্ন হিসেবে বিবেচনা করুন।

দীর্ঘ লেখা একটি বিশেষ ক্ষেত্রে। মডেলের একটি নির্দিষ্ট ইনপুট উইন্ডো আছে, তাই একটি দীর্ঘ অনুচ্ছেদ কার্যকরভাবে কেটে ফেলা বা অভ্যন্তরীণভাবে সংক্ষেপ করা হয়। যে পর্যালোচনায় পাঁচটি বৈশিষ্ট্যের প্রশংসা এবং একটির সমালোচনা করা হয়েছে সেটি সূচনার কোন অংশটি প্রধান তার উপর ভিত্তি করে শ্রেণীবদ্ধ হতে পারে, এবং প্রদর্শিত স্কোর আপনাকে সতর্ক করবে না যে বেশিরভাগ লেখা উপেক্ষা করা হয়েছে।

কোথায় এটি কাজ করে

• সংক্ষিপ্ত মতামত বাক্য। "The battery lasts all day" বা "The app crashes constantly" — এগুলো ঠিক সেই আকার যা মডেলটি প্রশিক্ষিত হয়েছে।
• পর্যালোচনা ট্রায়াজ। পড়ার قبل একগাদা মন্তব্যকে broadly positive এবং broadly negative-এ সাজানো।
• দ্রুত সুর পরীক্ষা। একটি শিরোনাম, একটি ট্যাগলাইন বা একটি গ্রাহক উত্তর যাচাই করা।
• শিক্ষাদান। একটি টেক্সট ক্লাসিফায়ার কীভাবে শব্দকে দুটি সম্ভাব্যতায় রূপান্তরিত করে তার একটি সংক্ষিপ্ত প্রদর্শন।
• ফিল্টারিং। একটি সাপোর্ট ইনবক্সে সম্ভাব্য অভিযোগ চিহ্নিত করা যাতে একজন মানুষ পর্যালোচনা করতে পারেন।

কোথায় এটি ব্যর্থ হয়

ব্যঙ্গ (sarcasm) হলো চিরাচরিত ব্যর্থতা। "Great, another delay"-এ ইতিবাচক শব্দভাণ্ডার এবং নেতিবাচক অর্থ রয়েছে, এবং মডেলটি প্রায়শই অভিপ্রায়ের বদলে শব্দগুলো পড়ে। বিদ্রূপ, পরোক্ষ প্রশংসা এবং অলংকারিক প্রশ্নও একইভাবে অবিশ্বাসযোগ্য।

নেতিবাচকতা অসমভাবে পরিচালিত হয়। "খারাপ নয়" এবং "ভালো নয়" শব্দভাণ্ডারে কাছাকাছি অবস্থান করে কিন্তু অর্থে বিপরীত, এবং একটি দীর্ঘ বাক্যে একটি একক নেতিবাচকতা এড়িয়ে যাওয়া হতে পারে। মিশ্র অনুভূতিও সমানভাবে চাপা পড়ে: একটি অনুচ্ছেদ যা পণ্যের প্রশংসা করে এবং ডেলিভারির নিন্দা করে তা একটি লেবেলে পরিণত হয়, উভয় মতামতের অস্তিত্বের কোনো ইঙ্গিত ছাড়াই।

তথ্যমূলক এবং নিরপেক্ষ পাঠ্য একটি বাইনারিতে জোরপূর্বক নিক্ষেপ করা হয়। একটি স্পেসিফিকেশন শিট, একটি সংবাদ শিরোনাম বা একটি আইনি ধারায় কোনো পোলারিটি নেই, তবুও শ্রেণীবিভাগকারী এখনও একটি বিজয়ী ফিরিয়ে দেয়। সেই ফলাফলগুলিকে হালকা ঝোঁক হিসেবে নয়, অর্থহীন হিসেবে বিবেচনা করুন।

ডোমেইন পরিবর্তন গুরুত্বপূর্ণ। মডেলটি চলচ্চিত্র-পর্যালোচনার ভাষা থেকে শিখেছে; পণ্য পর্যালোচনা, চ্যাট বার্তা, টুইট, ক্লিনিক্যাল নোট এবং অ-ইংরেজি পাঠ্য সবই ভিন্নভাবে আচরণ করে। ইমোজি, স্ল্যাং এবং সংক্ষিপ্ত রূপ এর কাছে বেশিরভাগই অদৃশ্য।

এটি যা করে না

কোনো নিরপেক্ষ শ্রেণি নেই, কোনো আবেগ লেবেল নেই, কোনো দিক-ভিত্তিক অনুভূতি নেই, কোনো প্রতি-বাক্য বিশ্লেষণ নেই, কোনো কীওয়ার্ড হাইলাইটিং নেই, কোনো ব্যাখ্যা নেই, কোনো ভাষা সনাক্তকরণ নেই, কোনো অনুবাদ নেই এবং কোনো ব্যাচ বিশ্লেষণ নেই। এটি কোনো স্কেলে তীব্রতা স্কোর করে না, এবং এটি আপনাকে বলে না কেন একটি পাঠ্যকে যেভাবে শ্রেণীবদ্ধ করা হয়েছিল।

গোপনীয়তা

পাঠ্যটি WebAssembly-এ স্থানীয়ভাবে প্রক্রিয়া করা হয়। কোনো সার্ভারে কিছু পাঠানো হয় না, এবং পৃষ্ঠা বন্ধ করার পরে কিছু সংরক্ষণ করা হয় না। রানটাইম এবং মডেল প্রথম ব্যবহারে পাবলিক CDN থেকে ডাউনলোড করা হয়, যা প্রকাশ করে যে টুলটি খোলা হয়েছিল কিন্তু আপনি কী টাইপ করেছেন তা নয়। এটি অভ্যন্তরীণ নোট এবং গ্রাহক বার্তার জন্য ব্যবহারযোগ্য করে তোলে, আপনার নিজস্ব ডেটা নিয়মের সাপেক্ষে।

সীমাবদ্ধতা

একবারে একটি পাঠ্য, কোনো ফাইল আপলোড নেই, কোনো ব্যাচ মোড নেই, কোনো ভাষা নির্বাচন নেই এবং কোনো সমন্বয়যোগ্য থ্রেশহোল্ড নেই। মডেলের ইনপুট উইন্ডো সীমাবদ্ধ করে একটি দীর্ঘ নথির কতটা প্রকৃতপক্ষে বিবেচনা করা হয়। প্রথম লোডে WebAssembly এবং নেটওয়ার্ক অ্যাক্সেস সহ একটি আধুনিক ব্রাউজার প্রয়োজন।

সাধারণ ভুল

• একটি নিরপেক্ষ ফলাফল প্রত্যাশা করা। মডেলের মাত্র দুটি শ্রেণি রয়েছে এবং সর্বদা একটি বেছে নেয়।
• স্কোরকে তীব্রতা হিসেবে বিবেচনা করা। এটি একটি লেবেলে আত্মবিশ্বাস, অনুভূতির তীব্রতা নয়।
• একটি সম্পূর্ণ নিবন্ধ বিশ্লেষণ করা। দীর্ঘ পাঠ্য ছেঁটে দেওয়া হয়, এবং ফলাফল এটির শুধুমাত্র একটি অংশ প্রতিফলিত করতে পারে।
• বিদ্রূপ সনাক্তকরণে বিশ্বাস করা। বিদ্রূপ নিয়মিতভাবে আপাত পোলারিটি উল্টে দেয়।
• তথ্যমূলক পাঠ্যে এটি ব্যবহার করা। স্পেসিফিকেশন এবং সংবাদের শ্রেণীবদ্ধ করার কোনো মতামত নেই।
• একটি 52 শতাংশ ফলাফলকে একটি অনুসন্ধান হিসেবে পড়া। কাছাকাছি-সমতা অস্থির এবং সহজেই উল্টে যায়।

সচরাচর জিজ্ঞাসিত প্রশ্ন