Penganalisis Sentimen AI

Apa yang disampaikannya

Tempelkan sepotong teks, tekan Analyze, dan halaman akan melaporkan apakah teks tersebut terbaca sebagai positif atau negatif, dengan skor untuk masing-masing sisi. Tidak ada opsi netral: skor mana pun yang lebih tinggi akan menjadi judul utama, dan bilah kemajuan akan condong ke sisi tersebut.

Ini adalah pengklasifikasi polaritas, bukan sistem sentimen lengkap. Alat ini tidak mengekstrak aspek, tidak melabeli emosi seperti kemarahan atau kegembiraan, dan tidak menjelaskan kata mana yang menghasilkan hasil tersebut. Alat ini menjawab satu pertanyaan sempit — apakah teks ini terdengar menguntungkan atau tidak menguntungkan? — dan menyerahkan interpretasinya kepada Anda.

Model

Model yang disertakan adalah pengklasifikasi polaritas tingkat kalimat dalam tradisi SST-2: kalimat bahasa Inggris pendek, sebagian besar ulasan film, dilabeli positif atau negatif. Asal-usul itu penting. Model ini bagus untuk opini yang diungkapkan dalam bahasa evaluatif biasa dan lebih lemah pada teks faktual, di mana tidak ada opini untuk dideteksi sama sekali.

Kedua skor biasanya berjumlah sekitar satu, karena pengklasifikasi yang mendasarinya memberikan probabilitas untuk setiap kelas. Halaman menampilkan keduanya, tetapi label besar dan bilah hanya mengikuti yang lebih tinggi.

Bagaimana hasilnya digambar

Ketika positif menang, panel menampilkan ikon tersenyum, kata Positive dalam warna hijau, dan bilah yang lebarnya 50 persen ditambah setengah dari skor positif. Skor positif 0,90 karena itu menggambar bilah 85 persen, bukan 90 persen. Bilah ini adalah kecenderungan visual menjauh dari titik tengah, bukan plot langsung dari skor.

Ketika negatif menang, perhitungan yang sama berlaku untuk skor negatif, dan label berubah menjadi merah. Jika skor sama persis, kode masuk ke cabang negatif, sehingga seri sempurna ditampilkan sebagai Negative.

Di bawah bilah, kedua persentase dicetak berdampingan, dilabeli Negative dan Positive. Itulah angka yang sebenarnya; bilah hanya ringkasan. Tombol Clear mengosongkan textarea, mengatur ulang jumlah karakter, dan menyembunyikan hasil.

Langkah demi langkah

1. Tempelkan atau ketik teks ke dalam kotak. Penghitung karakter diperbarui saat Anda mengetik.
2. Tombol Analyze tetap nonaktif sampai ada setidaknya tiga karakter.
3. Pada proses pertama, browser mengunduh runtime teks dan model BERT. Panel menyebutkan setiap tahapnya.
4. Tekan Analyze Sentiment. Hasilnya menggantikan keadaan kosong.
5. Edit teks dan analisis lagi untuk membandingkan; model tetap dimuat.

Tombol Load AI Model memuat terlebih dahulu semuanya jika Anda ingin menghindari penantian pada proses pertama. Setelah dimuat, tombol berubah menjadi status hijau "Model Ready".

Membaca skor secara jujur

Skor adalah keyakinan pengklasifikasi terhadap suatu label, bukan intensitas perasaan yang terukur. 0,95 positif berarti model yakin kalimat tersebut termasuk kelas positif; ini tidak berarti kalimat tersebut sangat positif. Ulasan yang sedikit menguntungkan dan ulasan yang sangat gembira bisa sama-sama mendekati 0,99.

Perbedaan kecil adalah derau. Hasil 0,52 positif berbanding 0,48 negatif hampir seperti lemparan koin, dan mengubah susunan satu kata saja bisa membalikkannya. Anggap apa pun dalam rentang 0,45 hingga 0,55 sebagai belum terselesaikan daripada sebagai positif lemah.

Teks panjang adalah kasus khusus. Model memiliki jendela input tetap, sehingga bagian yang panjang secara efektif dipotong atau diringkas secara internal. Ulasan yang memuji lima fitur dan mengkritik satu fitur mungkin diklasifikasikan berdasarkan bagian mana pun yang mendominasi bagian pembuka, dan skor yang ditampilkan tidak akan memperingatkan Anda bahwa sebagian besar teks telah diabaikan.

Di mana alat ini berfungsi

• Kalimat opini pendek. "The battery lasts all day" atau "The app crashes constantly" persis seperti bentuk yang digunakan untuk melatih model.
• Triase ulasan. Menyortir tumpukan komentar menjadi secara garis besar positif dan secara garis besar negatif sebelum membacanya.
• Pemeriksaan nada cepat. Memeriksa secara cepat judul, tagline, atau balasan pelanggan.
• Pengajaran. Demonstrasi ringkas tentang bagaimana pengklasifikasi teks mengubah kata menjadi dua probabilitas.
• Penyaringan. Menandai kemungkinan keluhan di kotak masuk dukungan untuk ditinjau oleh manusia.

Di mana alat ini gagal

Sarkasme adalah kegagalan klasik. "Great, another delay" mengandung kosakata positif dan makna negatif, dan model sering membaca katanya alih-alih maksudnya. Ironi, pujian yang menyindir, dan pertanyaan retoris juga sama tidak dapat diandalkan.

Negasi ditangani secara tidak merata. "Not bad" dan "not good" berdekatan dalam kosakata tetapi berlawanan makna, dan satu negasi bisa terlewat dalam kalimat yang lebih panjang. Sentimen campuran juga diratakan: paragraf yang memuji produk dan mengkritik pengiriman menjadi satu label, tanpa indikasi bahwa kedua opini itu ada.

Teks faktual dan netral dipaksa masuk ke dalam biner. Lembar spesifikasi, judul berita, atau klausul hukum tidak memiliki polaritas, namun pengklasifikasi tetap mengembalikan pemenang. Perlakukan hasil tersebut sebagai tidak bermakna, bukan sebagai kecenderungan ringan.

Pergeseran domain itu penting. Model belajar dari bahasa ulasan film; ulasan produk, pesan chat, tweet, catatan klinis, dan teks non-Inggris semuanya berperilaku berbeda. Emoji, slang, dan singkatan sebagian besar tidak terlihat olehnya.

Apa yang tidak dilakukannya

Tidak ada kelas netral, tidak ada label emosi, tidak ada sentimen berbasis aspek, tidak ada perincian per kalimat, tidak ada penyorotan kata kunci, tidak ada penjelasan, tidak ada deteksi bahasa, tidak ada terjemahan, dan tidak ada analisis batch. Alat ini tidak menilai intensitas pada suatu skala, dan tidak memberi tahu Anda mengapa suatu teks diklasifikasikan seperti itu.

Privasi

Teks diproses secara lokal di WebAssembly. Tidak ada yang dikirim ke server, dan tidak ada yang disimpan setelah halaman ditutup. Runtime dan model diunduh dari CDN publik saat pertama kali digunakan, yang mengungkapkan bahwa alat ini dibuka tetapi bukan apa yang Anda ketik. Hal ini membuatnya dapat digunakan untuk catatan internal dan pesan pelanggan, dengan tunduk pada aturan data Anda sendiri.

Batasan

Satu teks pada satu waktu, tanpa unggah file, tanpa mode batch, tanpa pemilihan bahasa, dan tanpa ambang batas yang dapat disesuaikan. Jendela masukan model membatasi seberapa banyak dokumen panjang yang benar-benar dipertimbangkan. Diperlukan browser modern dengan WebAssembly dan akses jaringan saat pemuatan pertama.

Kesalahan umum

• Mengharapkan hasil netral. Model hanya memiliki dua kelas dan selalu memilih salah satunya.
• Menganggap skor sebagai intensitas. Itu adalah keyakinan pada suatu label, bukan kekuatan perasaan.
• Menganalisis seluruh artikel. Teks panjang dipotong, dan hasilnya mungkin hanya mencerminkan sebagian darinya.
• Memercayai deteksi sarkasme. Ironi secara rutin membalikkan polaritas yang tampak.
• Menggunakannya pada teks faktual. Spesifikasi dan berita tidak memiliki opini untuk diklasifikasikan.
• Membaca hasil 52 persen sebagai temuan. Hasil yang hampir seri tidak stabil dan mudah terbalik.

Pertanyaan yang Sering Diajukan