تحلیل‌گر احساسات هوش مصنوعی

آنچه به شما می‌گوید

یک متن را جای‌گذاری کنید، روی Analyze بزنید، و صفحه گزارش می‌دهد که آیا آن را مثبت یا منفی می‌خواند، همراه با امتیازی برای هر طرف. گزینه‌ای خنثی وجود ندارد: هر امتیازی که بالاتر باشد عنوان اصلی می‌شود، و نوار پیشرفت به آن طرف متمایل می‌شود.

این یک طبقه‌بند قطبیت است، نه یک سیستم کامل احساسات. جنبه‌ها را استخراج نمی‌کند، احساساتی مانند خشم یا شادی را برچسب نمی‌زند، و توضیح نمی‌دهد که کدام واژه‌ها نتیجه را رقم زده‌اند. به یک پرسش باریک پاسخ می‌دهد — آیا این متن مطلوب به نظر می‌رسد یا نامطلوب؟ — و تفسیر را به شما وا می‌گذارد.

مدل

مدل همراه یک طبقه‌بند قطبیت در سطح جمله به سبک SST-2 است: جملات کوتاه انگلیسی، عمدتاً نقدهای فیلم، برچسب‌خورده به‌عنوان مثبت یا منفی. این خاستگاه اهمیت دارد. در نظراتی که با زبان معمولی و ارزش‌گذارانه بیان شده‌اند خوب عمل می‌کند و در متن واقعیت‌محور، که اصلاً نظری برای تشخیص وجود ندارد، ضعیف‌تر است.

دو امتیاز معمولاً مجموعاً حدود یک می‌شوند، زیرا طبقه‌بند زیربنایی به هر کلاس یک احتمال اختصاص می‌دهد. صفحه هر دو را نشان می‌دهد، اما برچسب بزرگ و نوار فقط از امتیاز بالاتر پیروی می‌کنند.

نتیجه چگونه ترسیم می‌شود

وقتی مثبت برنده می‌شود، پنل یک نماد خندان، واژه Positive به رنگ سبز، و نواری نشان می‌دهد که پهنای آن ۵۰ درصد به‌علاوه نصف امتیاز مثبت است. بنابراین امتیاز مثبت ۰٫۹۰ نواری ۸۵ درصدی می‌کشد، نه ۹۰ درصدی. نوار یک تمایل بصری به دور از نقطه میانی است، نه ترسیم مستقیم امتیاز.

وقتی منفی برنده می‌شود، همین محاسبات بر امتیاز منفی اعمال می‌شود و برچسب قرمز می‌شود. اگر امتیازها دقیقاً برابر باشند، کد به شاخه منفی می‌افتد، بنابراین تساوی کامل به‌صورت Negative نمایش داده می‌شود.

در زیر نوار، هر دو درصد کنار هم چاپ می‌شوند، با برچسب Negative و Positive. آن‌ها اعداد واقعی هستند؛ نوار فقط یک خلاصه است. دکمه Clear کادر متن را خالی می‌کند، شمارنده نویسه‌ها را بازنشانی می‌کند و نتیجه را پنهان می‌کند.

گام به گام

1. متن را در کادر جای‌گذاری یا تایپ کنید. شمارنده نویسه‌ها هنگام تایپ به‌روزرسانی می‌شود.
2. دکمه Analyze تا وجود حداقل سه نویسه غیرفعال می‌ماند.
3. در نخستین اجرا، مرورگر زمان اجرای متن و مدل BERT را دانلود می‌کند. پنل هر مرحله را نام می‌برد.
4. روی Analyze Sentiment بزنید. نتیجه جای حالت خالی را می‌گیرد.
5. متن را ویرایش کنید و دوباره تحلیل کنید تا مقایسه کنید؛ مدل بارگذاری‌شده باقی می‌ماند.

دکمه Load AI Model اگر بخواهید از انتظار نخستین اجرا پرهیز کنید همه‌چیز را پیش‌بارگذاری می‌کند. پس از بارگذاری به حالت سبز «Model Ready» تغییر می‌کند.

خواندن صادقانه امتیازها

امتیاز، اطمینان طبقه‌بند به یک برچسب است، نه شدت اندازه‌گیری‌شده احساس. ۰٫۹۵ مثبت یعنی مدل مطمئن است که جمله به کلاس مثبت تعلق دارد؛ یعنی جمله به‌شدت مثبت نیست. یک نقد به‌طور خفیف مطلوب و یک نقد پرشور می‌توانند هر دو نزدیک ۰٫۹۹ قرار بگیرند.

تفاوت‌های کوچک نویز هستند. نتیجه‌ای مانند ۰٫۵۲ مثبت در برابر ۰٫۴۸ منفی نزدیک به پرتاب سکه است و بازنویسی یک واژه می‌تواند آن را برگرداند. هر چیزی در بازه ۰٫۴۵ تا ۰٫۵۵ را نامعلوم در نظر بگیرید، نه مثبت ضعیف.

متن بلند یک مورد ویژه است. مدل پنجره ورودی ثابتی دارد، بنابراین یک قطعه بلند به‌طور مؤثر بریده یا درون‌سو خلاصه می‌شود. نقدی که پنج ویژگی را می‌ستاید و یکی را نکوهش می‌کند ممکن است بر اساس بخشی که بر آغاز غلبه دارد طبقه‌بندی شود، و امتیاز نمایش‌داده‌شده به شما هشدار نخواهد داد که بیشتر متن نادیده گرفته شده است.

کجا کار می‌کند

• جملات نظر کوتاه. «باتری تمام روز دوام می‌آورد» یا «برنامه مدام کرش می‌کند» دقیقاً همان شکلی است که مدل بر آن آموزش دیده است.
• دسته‌بندی نقدها. مرتب‌کردن انبوهی از نظرات به عموماً مثبت و عموماً منفی پیش از خواندن آن‌ها.
• بررسی سریع لحن. بررسی سلامت یک عنوان، شعار یا پاسخ مشتری.
• آموزش. نمایشی فشرده از اینکه چگونه یک طبقه‌بند متن واژه‌ها را به دو احتمال تبدیل می‌کند.
• فیلترکردن. علامت‌گذاری شکایات احتمالی در صندوق پشتیبانی برای بررسی توسط انسان.

کجا شکست می‌خورد

طعنه شکست کلاسیک است. «عالی، یک تأخیر دیگر» واژگان مثبت و معنای منفی دارد، و مدل اغلب واژه‌ها را می‌خواند نه قصد را. کنایه، تعریف‌های دوپهلو و پرسش‌های بلاغی نیز به‌طور مشابه غیرقابل‌اعتماد هستند.

نفی به‌طور نامتوازنی مدیریت می‌شود. «بد نیست» و «خوب نیست» در واژگان به هم نزدیک‌اند اما در معنا متضاد، و یک نفی واحد می‌تواند در جمله‌ای بلندتر نادیده گرفته شود. احساس مختلط نیز مسطح می‌شود: پاراگرافی که محصول را می‌ستاید و تحویل را محکوم می‌کند به یک برچسب تبدیل می‌شود، بدون هیچ نشانه‌ای از وجود هر دو نظر.

متن واقع‌گرایانه و بی‌طرف به یک دوقطبی تحمیل می‌شود. برگه مشخصات، تیتر خبر یا بند حقوقی هیچ قطبی ندارد، با این حال طبقه‌بند همچنان یک برنده برمی‌گرداند. آن نتایج را بی‌معنا در نظر بگیرید نه به‌عنوان گرایشی خفیف.

تغییر حوزه اهمیت دارد. مدل از زبان نقد فیلم آموخته است؛ نظرات محصول، پیام‌های چت، توییت‌ها، یادداشت‌های بالینی و متن غیرانگلیسی همگی رفتار متفاوتی دارند. ایموجی، اصطلاحات عامیانه و اختصارات تا حد زیادی برای آن نامرئی‌اند.

چه کاری انجام نمی‌دهد

بدون کلاس بی‌طرف، بدون برچسب احساس، بدون احساس مبتنی بر جنبه، بدون تفکیک جمله‌به‌جمله، بدون برجسته‌سازی کلیدواژه، بدون توضیح، بدون تشخیص زبان، بدون ترجمه و بدون تحلیل دسته‌ای. شدت را روی مقیاس نمره نمی‌دهد و به شما نمی‌گوید چرا متنی به آن شکل طبقه‌بندی شده است.

حریم خصوصی

متن به‌صورت محلی در WebAssembly پردازش می‌شود. هیچ چیز به سرور ارسال نمی‌شود و پس از بستن صفحه هیچ چیز ذخیره نمی‌شود. زمان اجرا و مدل در نخستین استفاده از CDN‌های عمومی دانلود می‌شوند، که نشان می‌دهد ابزار باز شده است اما نه آنچه تایپ کرده‌اید. این آن را برای یادداشت‌های داخلی و پیام‌های مشتری قابل استفاده می‌کند، مشروط به قواعد داده خودتان.

محدودیت‌ها

هر بار یک قطعه متن، بدون بارگذاری فایل، بدون حالت دسته‌ای، بدون انتخاب زبان و بدون آستانه قابل تنظیم. پنجره ورودی مدل محدود می‌کند که چه مقدار از یک سند بلند واقعاً در نظر گرفته شود. مرورگر مدرن با WebAssembly و دسترسی شبکه در نخستین بارگذاری لازم است.

اشتباهات رایج

• انتظار نتیجه بی‌طرف. مدل فقط دو کلاس دارد و همیشه یکی را انتخاب می‌کند.
• تلقی نمره به‌عنوان شدت. این اطمینان به یک برچسب است، نه قدرت احساس.
• تحلیل یک مقاله کامل. متن بلند بریده می‌شود و نتیجه ممکن است تنها بخشی از آن را بازتاب دهد.
• اعتماد به تشخیص طعنه. طعنه به‌طور معمول قطب ظاهری را وارونه می‌کند.
• استفاده از آن روی متن واقع‌گرایانه. مشخصات و اخبار نظری برای طبقه‌بندی ندارند.
• خواندن نتیجه ۵۲ درصدی به‌عنوان یافته. نزدیک به تساوی ناپایدار و به‌آسانی وارونه می‌شود.

پرسش‌های متداول