KI-Stimmungsanalysator

Was es Ihnen sagt

Fügen Sie einen Text ein, drücken Sie auf Analysieren, und die Seite meldet, ob er positiv oder negativ gelesen wird, mit einer Punktzahl für jede Seite. Es gibt keine neutrale Option: Welche Punktzahl höher ist, wird zur Überschrift, und der Fortschrittsbalken neigt sich zu dieser Seite.

Dies ist ein Polaritätsklassifikator, kein vollständiges Sentiment-System. Er extrahiert keine Aspekte, kennzeichnet keine Emotionen wie Wut oder Freude und erklärt nicht, welche Wörter das Ergebnis bewirkt haben. Er beantwortet eine einzige enge Frage – klingt dieser Text günstig oder ungünstig? – und überlässt die Interpretation Ihnen.

Das Modell

Das mitgelieferte Modell ist ein Polaritätsklassifikator auf Satzebene in der SST-2-Tradition: kurze englische Sätze, überwiegend Filmkritiken, als positiv oder negativ gekennzeichnet. Diese Herkunft ist wichtig. Es ist gut bei Meinungen, die in gewöhnlicher, wertender Sprache formuliert sind, und schwächer bei sachlichem Text, bei dem es überhaupt keine Meinung zu erkennen gibt.

Die beiden Punktzahlen summieren sich normalerweise auf etwa eins, da der zugrunde liegende Klassifikator jeder Klasse eine Wahrscheinlichkeit zuweist. Die Seite zeigt beide an, aber die große Beschriftung und der Balken folgen nur der höheren.

Wie das Ergebnis dargestellt wird

Wenn Positiv gewinnt, zeigt das Panel ein lächelndes Symbol, das Wort Positiv in Grün und einen Balken, dessen Breite 50 Prozent plus die Hälfte der positiven Punktzahl beträgt. Eine positive Punktzahl von 0,90 zeichnet daher einen Balken von 85 Prozent, nicht von 90 Prozent. Der Balken ist eine visuelle Neigung weg vom Mittelpunkt, keine direkte Darstellung der Punktzahl.

Wenn Negativ gewinnt, gilt dieselbe Mathematik für die negative Punktzahl, und die Beschriftung wird rot. Sind die Punktzahlen genau gleich, fällt der Code in den negativen Zweig, sodass ein perfektes Unentschieden als Negativ angezeigt wird.

Unter dem Balken werden beide Prozentsätze nebeneinander ausgegeben, beschriftet mit Negativ und Positiv. Sie sind die echten Zahlen; der Balken ist nur eine Zusammenfassung. Die Schaltfläche Löschen leert das Textfeld, setzt den Zeichenzähler zurück und blendet das Ergebnis aus.

Schritt für Schritt

1. Fügen Sie Text in das Feld ein oder tippen Sie ihn ein. Der Zeichenzähler aktualisiert sich während der Eingabe.
2. Die Schaltfläche Analysieren bleibt deaktiviert, bis mindestens drei Zeichen vorhanden sind.
3. Beim ersten Durchlauf lädt der Browser die Text-Laufzeit und das BERT-Modell herunter. Das Panel benennt jede Phase.
4. Drücken Sie auf Sentiment analysieren. Das Ergebnis ersetzt den leeren Zustand.
5. Bearbeiten Sie den Text und analysieren Sie erneut zum Vergleich; das Modell bleibt geladen.

Die Schaltfläche KI-Modell laden lädt alles vorab, wenn Sie die Wartezeit beim ersten Durchlauf vermeiden möchten. Nach dem Laden wechselt sie in einen grünen Zustand „Modell bereit".

Die Punktzahlen ehrlich lesen

Eine Punktzahl ist die Zuversicht des Klassifikators in eine Beschriftung, keine gemessene Intensität des Gefühls. 0,95 positiv bedeutet, dass das Modell zuversichtlich ist, dass der Satz zur positiven Klasse gehört; es bedeutet nicht, dass der Satz extrem positiv ist. Eine leicht günstige Kritik und eine überschwängliche können beide nahe bei 0,99 landen.

Kleine Unterschiede sind Rauschen. Ein Ergebnis von 0,52 positiv gegenüber 0,48 negativ ist nahe an einem Münzwurf, und die Umformulierung eines einzigen Wortes kann es umkippen lassen. Behandeln Sie alles im Bereich von 0,45 bis 0,55 als ungeklärt statt als schwach positiv.

Langer Text ist ein Sonderfall. Das Modell hat ein festes Eingabefenster, sodass eine lange Passage effektiv abgeschnitten oder intern zusammengefasst wird. Eine Kritik, die fünf Merkmale lobt und eines kritisiert, kann anhand des Teils klassifiziert werden, der den Anfang dominiert, und die angezeigte Punktzahl warnt Sie nicht davor, dass der größte Teil des Textes ignoriert wurde.

Wo es funktioniert

• Kurze Meinungssätze. „Der Akku hält den ganzen Tag" oder „Die App stürzt ständig ab" haben genau die Form, auf die das Modell trainiert wurde.
• Bewertungs-Triage. Eine Menge Kommentare grob in positiv und grob in negativ sortieren, bevor man sie liest.
• Schnelle Tonprüfungen. Eine Überschrift, einen Slogan oder eine Kundenantwort auf Stichhaltigkeit prüfen.
• Lehre. Eine kompakte Demonstration, wie ein Textklassifikator Wörter in zwei Wahrscheinlichkeiten umwandelt.
• Filterung. Wahrscheinliche Beschwerden in einem Support-Postfach markieren, damit ein Mensch sie prüft.

Wo es scheitert

Sarkasmus ist der klassische Fehlerfall. „Großartig, noch eine Verzögerung" enthält positives Vokabular und eine negative Bedeutung, und das Modell liest oft die Wörter statt die Absicht. Ironie, versteckte Komplimente und rhetorische Fragen sind ähnlich unzuverlässig.

Die Verneinung wird uneinheitlich behandelt. „Nicht schlecht" und „nicht gut" liegen im Wortschatz nahe beieinander, bedeuten aber das Gegenteil, und eine einzelne Verneinung kann in einem längeren Satz übersehen werden. Gemischte Stimmungen werden ebenfalls eingeebnet: Ein Absatz, der das Produkt lobt und die Lieferung verurteilt, wird zu einem einzigen Label, ohne dass erkennbar ist, dass beide Meinungen existieren.

Sachlicher und neutraler Text wird in ein binäres Schema gezwungen. Ein Datenblatt, eine Nachrichtenüberschrift oder eine Rechtsklausel hat keine Polarität, dennoch liefert der Klassifikator stets einen Gewinner. Betrachten Sie solche Ergebnisse als bedeutungslos und nicht als leichte Tendenz.

Die Domänenverschiebung spielt eine Rolle. Das Modell wurde anhand der Sprache von Filmkritiken trainiert; Produktbewertungen, Chat-Nachrichten, Tweets, klinische Notizen und fremdsprachiger Text verhalten sich alle anders. Emojis, Slang und Abkürzungen sind für es weitgehend unsichtbar.

Was es nicht tut

Keine neutrale Klasse, keine Emotionslabels, keine aspektbasierte Stimmungsanalyse, keine Aufschlüsselung pro Satz, keine Hervorhebung von Schlüsselwörtern, keine Erklärung, keine Spracherkennung, keine Übersetzung und keine Stapelverarbeitung. Es bewertet die Intensität nicht auf einer Skala und sagt Ihnen nicht, warum ein Text so klassifiziert wurde, wie er wurde.

Datenschutz

Der Text wird lokal in WebAssembly verarbeitet. Nichts wird an einen Server gesendet und nichts wird gespeichert, nachdem die Seite geschlossen wurde. Die Laufzeitumgebung und das Modell werden bei der ersten Verwendung von öffentlichen CDNs heruntergeladen, was verrät, dass das Tool geöffnet wurde, aber nicht, was Sie eingegeben haben. Dadurch ist es für interne Notizen und Kundennachrichten nutzbar, vorbehaltlich Ihrer eigenen Datenregeln.

Einschränkungen

Jeweils ein Textstück, kein Datei-Upload, kein Stapelmodus, keine Sprachauswahl und keine anpassbare Schwelle. Das Eingabefenster des Modells begrenzt, wie viel eines langen Dokuments tatsächlich berücksichtigt wird. Ein moderner Browser mit WebAssembly und Netzwerkzugriff beim ersten Laden ist erforderlich.

Häufige Fehler

• Ein neutrales Ergebnis erwarten. Das Modell hat nur zwei Klassen und wählt immer eine davon.
• Den Wert als Intensität deuten. Er ist die Zuversicht in ein Label, nicht die Stärke des Gefühls.
• Einen ganzen Artikel analysieren. Langer Text wird abgeschnitten, und das Ergebnis spiegelt möglicherweise nur einen Teil davon wider.
• Auf Sarkasmuserkennung vertrauen. Ironie kehrt die scheinbare Polarität routinemäßig um.
• Es auf sachlichen Text anwenden. Spezifikationen und Nachrichten haben keine Meinung, die klassifiziert werden könnte.
• Ein Ergebnis von 52 Prozent als Befund lesen. Knappe Ausgänge sind instabil und leicht umkehrbar.

Häufig gestellte Fragen