Analyseur de sentiment IA

Ce qu'il vous indique

Collez un texte, appuyez sur Analyze, et la page indique s'il se lit comme positif ou négatif, avec un score pour chaque côté. Il n'y a pas d'option neutre : le score le plus élevé devient le titre, et la barre de progression penche vers ce côté.

Il s'agit d'un classificateur de polarité, pas d'un système d'analyse de sentiment complet. Il n'extrait pas d'aspects, n'étiquette pas des émotions comme la colère ou la joie, et n'explique pas quels mots ont conduit au résultat. Il répond à une seule question précise — ce texte semble-t-il favorable ou défavorable ? — et vous laisse l'interprétation.

Le modèle

Le modèle intégré est un classificateur de polarité au niveau de la phrase dans la tradition SST-2 : de courtes phrases en anglais, principalement des critiques de films, étiquetées positives ou négatives. Cette origine compte. Il est bon pour les opinions formulées dans un langage ordinaire et évaluatif, et plus faible sur les textes factuels, où il n'y a aucune opinion à détecter.

Les deux scores totalisent normalement environ un, car le classificateur sous-jacent attribue une probabilité à chaque classe. La page affiche les deux, mais le grand libellé et la barre ne suivent que le plus élevé.

Comment le résultat est représenté

Lorsque le positif l'emporte, le panneau affiche une icône souriante, le mot Positive en vert, et une barre dont la largeur est de 50 pour cent plus la moitié du score positif. Un score positif de 0,90 dessine donc une barre de 85 pour cent, pas de 90 pour cent. La barre est un écart visuel par rapport au point médian, pas une représentation directe du score.

Lorsque le négatif l'emporte, le même calcul s'applique au score négatif, et le libellé devient rouge. Si les scores sont exactement égaux, le code tombe dans la branche négative, de sorte qu'une égalité parfaite est affichée comme Negative.

Sous la barre, les deux pourcentages sont imprimés côte à côte, étiquetés Negative et Positive. Ce sont les vrais nombres ; la barre n'est qu'un résumé. Le bouton Clear vide la zone de texte, réinitialise le compteur de caractères et masque le résultat.

Étape par étape

1. Collez ou saisissez du texte dans la zone. Le compteur de caractères se met à jour au fur et à mesure de la saisie.
2. Le bouton Analyze reste désactivé tant qu'il n'y a pas au moins trois caractères.
3. Lors de la première exécution, le navigateur télécharge l'environnement d'exécution de texte et le modèle BERT. Le panneau nomme chaque étape.
4. Appuyez sur Analyze Sentiment. Le résultat remplace l'état vide.
5. Modifiez le texte et analysez à nouveau pour comparer ; le modèle reste chargé.

Le bouton Load AI Model précharge tout si vous souhaitez éviter l'attente de la première exécution. Une fois chargé, il passe à un état vert « Model Ready ».

Lire les scores honnêtement

Un score est la confiance du classificateur dans une étiquette, pas une intensité de sentiment mesurée. 0,95 positif signifie que le modèle est confiant que la phrase appartient à la classe positive ; cela ne signifie pas que la phrase est extrêmement positive. Une critique légèrement favorable et une critique extatique peuvent toutes deux se situer près de 0,99.

Les petites différences sont du bruit. Un résultat de 0,52 positif contre 0,48 négatif est proche d'un pile ou face, et reformuler un seul mot peut le faire basculer. Considérez tout ce qui se situe dans la bande de 0,45 à 0,55 comme non résolu plutôt que comme un faible positif.

Les textes longs sont un cas particulier. Le modèle a une fenêtre d'entrée fixe, donc un long passage est effectivement tronqué ou résumé en interne. Une critique qui loue cinq caractéristiques et en critique une peut être classée selon la partie qui domine l'ouverture, et le score affiché ne vous avertira pas que la majeure partie du texte a été ignorée.

Où cela fonctionne

• Phrases d'opinion courtes. « The battery lasts all day » ou « The app crashes constantly » correspondent exactement à la forme sur laquelle le modèle a été entraîné.
• Tri des critiques. Classer un tas de commentaires en globalement positifs et globalement négatifs avant de les lire.
• Vérifications rapides du ton. Contrôler la cohérence d'un titre, d'un slogan ou d'une réponse client.
• Enseignement. Une démonstration compacte de la façon dont un classificateur de texte transforme les mots en deux probabilités.
• Filtrage. Signaler les plaintes probables dans une boîte de réception d'assistance pour qu'un humain les examine.

Où cela échoue

Le sarcasme est l'échec classique. « Great, another delay » contient un vocabulaire positif et un sens négatif, et le modèle lit souvent les mots plutôt que l'intention. L'ironie, les compliments à double tranchant et les questions rhétoriques sont tout aussi peu fiables.

La négation est traitée de manière inégale. « Pas mal » et « pas bien » sont proches dans le vocabulaire mais opposés par le sens, et une seule négation peut passer inaperçue dans une phrase plus longue. Le sentiment mixte est également aplati : un paragraphe qui fait l'éloge du produit et condamne la livraison devient une seule étiquette, sans aucune indication que les deux opinions coexistent.

Le texte factuel et neutre est forcé dans un cadre binaire. Une fiche technique, un titre d'actualité ou une clause juridique n'a aucune polarité, pourtant le classificateur désigne quand même un vainqueur. Considérez ces résultats comme dénués de sens plutôt que comme une légère inclinaison.

Le décalage de domaine compte. Le modèle a appris à partir du langage des critiques de films ; les avis sur des produits, les messages de chat, les tweets, les notes cliniques et les textes non anglais se comportent tous différemment. Les emoji, l'argot et les abréviations lui sont largement invisibles.

Ce qu'il ne fait pas

Aucune classe neutre, aucune étiquette d'émotion, aucune analyse de sentiment par aspect, aucune décomposition phrase par phrase, aucune mise en évidence de mots-clés, aucune explication, aucune détection de langue, aucune traduction et aucune analyse par lots. Il ne note pas l'intensité sur une échelle, et il ne vous dit pas pourquoi un texte a été classé comme il l'a été.

Confidentialité

Le texte est traité localement dans WebAssembly. Rien n'est envoyé à un serveur, et rien n'est conservé après la fermeture de la page. Le runtime et le modèle sont téléchargés depuis des CDN publics lors de la première utilisation, ce qui révèle que l'outil a été ouvert mais pas ce que vous avez saisi. Cela le rend utilisable pour des notes internes et des messages clients, sous réserve de vos propres règles en matière de données.

Limites

Un seul texte à la fois, aucun téléversement de fichier, aucun mode par lots, aucune sélection de langue et aucun seuil ajustable. La fenêtre d'entrée du modèle limite la part d'un long document réellement prise en compte. Un navigateur moderne avec WebAssembly et un accès réseau lors du premier chargement est requis.

Erreurs courantes

• S'attendre à un résultat neutre. Le modèle n'a que deux classes et en choisit toujours une.
• Prendre le score pour une intensité. C'est la confiance dans une étiquette, pas la force du sentiment.
• Analyser un article entier. Le texte long est tronqué, et le résultat peut n'en refléter qu'une partie.
• Se fier à la détection du sarcasme. L'ironie inverse régulièrement la polarité apparente.
• L'utiliser sur un texte factuel. Les spécifications et les actualités n'ont aucune opinion à classifier.
• Interpréter un résultat de 52 pour cent comme une conclusion. Les quasi-égalités sont instables et facilement inversées.

Questions fréquentes