AI感情アナライザー
AI感情アナライザーは、文章を読み取ってポジティブまたはネガティブと判定し、それぞれの信頼度スコアを表示します。BERT分類器はブラウザ上で動作するため、テキストがアップロードされることはありません。これは二値極性モデルであり、中立クラスや感情ラベルはなく、皮肉にはしばしば誤って反応します。
使用方法 AI感情アナライザー
感情分析
テキストを入力して、感情分析を行う
コンテンツを読む
わかること
テキストを貼り付けて「Analyze」を押すと、その文章がポジティブかネガティブかに読めるかどうかが、それぞれのスコアとともに表示されます。中立の選択肢はありません。スコアが高いほうが見出しになり、プログレスバーもその側に傾きます。
これは極性分類器であり、完全な感情分析システムではありません。アスペクトを抽出したり、怒りや喜びといった感情をラベル付けしたり、どの単語が結果を導いたかを説明したりはしません。ひとつの狭い問い——このテキストは好意的に聞こえるか、そうでないか——に答えるだけで、解釈はあなたに委ねられます。
モデル
| 項目 | 詳細 |
|---|---|
| ランタイム | MediaPipe Tasks Text 0.10.15、WebAssembly |
| モデル | BERTテキスト分類器、float32 |
| クラス | ポジティブとネガティブ |
| 出力 | 2つのスコア、小数点以下1桁で表示 |
| 最小入力 | ボタンが有効になるのは3文字から |
| 処理 | すべてブラウザ内で完結 |
同梱されているモデルは、SST-2の伝統に連なる文レベルの極性分類器です。短い英語の文、ほとんどが映画レビューで、ポジティブまたはネガティブとラベル付けされています。この出自は重要です。普通の評価的な言葉で述べられた意見は得意ですが、そもそも意見が存在しない事実的なテキストは苦手です。
2つのスコアは通常、合計するとおよそ1になります。これは基盤となる分類器が各クラスに確率を割り当てているためです。ページには両方が表示されますが、大きなラベルとバーは高いほうにだけ従います。
結果の描画方法
ポジティブが勝つと、パネルには笑顔のアイコン、緑色の「Positive」という文字、そして幅が50パーセントにポジティブスコアの半分を加えたバーが表示されます。したがって、ポジティブスコアが0.90なら、バーは90パーセントではなく85パーセントの幅になります。バーは中間点からの視覚的な傾きであり、スコアを直接プロットしたものではありません。
ネガティブが勝つと、同じ計算がネガティブスコアに適用され、ラベルは赤くなります。スコアがまったく等しい場合、コードはネガティブの分岐に入るため、完全な同点はネガティブとして表示されます。
バーの下には、両方のパーセンテージが「Negative」と「Positive」のラベル付きで並んで表示されます。これらが実際の数値であり、バーはあくまで要約にすぎません。「Clear」ボタンはテキストエリアを空にし、文字数をリセットして結果を非表示にします。
手順
- ボックスにテキストを貼り付けるか入力します。入力すると文字カウンターが更新されます。
- 「Analyze」ボタンは、少なくとも3文字になるまで無効のままです。
- 初回実行時、ブラウザがテキストランタイムとBERTモデルをダウンロードします。パネルには各段階が表示されます。
- 「Analyze Sentiment」を押します。結果が空の状態に取って代わります。
- テキストを編集して再度分析し、比較します。モデルは読み込まれたままです。
初回実行時の待ち時間を避けたい場合は、「Load AI Model」ボタンですべてを事前に読み込めます。読み込みが完了すると、緑色の「Model Ready」状態に変わります。
スコアを正直に読む
スコアはラベルに対する分類器の確信度であり、感じ方の強さを測定したものではありません。0.95ポジティブとは、モデルがその文をポジティブクラスに属すると確信しているという意味であり、その文が極めてポジティブであるという意味ではありません。軽度に好意的なレビューも、熱狂的なレビューも、どちらも0.99付近になることがあります。
小さな差はノイズです。ポジティブ0.52対ネガティブ0.48という結果はコイントスに近く、一語言い換えるだけで覆りかねません。0.45から0.55の範囲は、弱いポジティブではなく未解決として扱ってください。
長いテキストは特別なケースです。モデルには固定の入力ウィンドウがあるため、長い文章は事実上切り詰められるか、内部的に要約されます。5つの特徴を褒めて1つを批判するレビューは、冒頭で優勢な部分に基づいて分類される可能性があり、表示されるスコアはテキストの大部分が無視されたことを警告してくれません。
うまく機能する場面
- 短い意見の文。「The battery lasts all day」や「The app crashes constantly」は、まさにモデルが学習した形です。
- レビューのトリアージ。大量のコメントを、読む前に大まかにポジティブとネガティブに仕分ける。
- 簡単なトーンの確認。見出し、キャッチコピー、顧客への返信をざっと確認する。
- 教育。テキスト分類器がどのように単語を2つの確率に変えるかの簡潔なデモンストレーション。
- フィルタリング。サポートの受信箱で苦情らしきものを人間が確認するためにフラグを立てる。
失敗する場面
皮肉は典型的な失敗例です。「Great, another delay」にはポジティブな語彙とネガティブな意味が含まれますが、モデルは意図ではなく単語を読んでしまうことがよくあります。アイロニー、遠回しな褒め言葉、修辞的な質問も同様に信頼できません。
否定は不均一に扱われる。「悪くない」と「良くない」は語彙としては近いが意味は正反対であり、長い文では一つの否定が見落とされることがある。混合した感情も平坦化される。製品を称賛し配送を非難する段落は一つのラベルになり、両方の意見が存在することを示す手がかりはない。
事実的で中立的なテキストは二値に押し込められる。仕様書、ニュースの見出し、法的条項には極性がないのに、分類器はそれでもどちらかの勝者を返す。そうした結果は、緩やかな傾向としてではなく、無意味なものとして扱うべきだ。
ドメインシフトは重要である。モデルは映画レビューの言葉から学習している。製品レビュー、チャットメッセージ、ツイート、臨床記録、非英語のテキストはすべて挙動が異なる。絵文字、スラング、略語はほとんど認識されない。
できないこと
中立クラスなし、感情ラベルなし、アスペクトベースの感情分析なし、文ごとの内訳なし、キーワードのハイライトなし、説明なし、言語検出なし、翻訳なし、バッチ分析なし。強度を尺度で採点することはなく、なぜそのテキストがそのように分類されたのかも教えてくれない。
プライバシー
テキストはWebAssembly内でローカルに処理される。サーバーには何も送信されず、ページを閉じた後に何も保存されない。ランタイムとモデルは初回使用時に公開CDNからダウンロードされるため、ツールが開かれたことは明らかになるが、入力した内容は明らかにならない。これにより、自社のデータ規則に従うことを条件に、社内メモや顧客メッセージに使用できる。
制限
一度に一つのテキストのみ、ファイルのアップロードなし、バッチモードなし、言語の選択なし、しきい値の調整なし。モデルの入力ウィンドウによって、長い文書のうち実際に考慮される範囲が制限される。WebAssemblyと初回読み込み時のネットワークアクセスを備えた最新のブラウザが必要である。
よくある間違い
- 中立の結果を期待すること。 モデルには二つのクラスしかなく、常にどちらかを選ぶ。
- スコアを強度として扱うこと。 それはラベルに対する確信度であり、感情の強さではない。
- 記事全体を分析すること。 長いテキストは切り捨てられ、結果はその一部のみを反映している可能性がある。
- 皮肉の検出を信頼すること。 アイロニーはしばしば見かけ上の極性を反転させる。
- 事実的なテキストに使うこと。 仕様書やニュースには分類すべき意見がない。
- 52パーセントという結果を所見として読むこと。 ほぼ互角の結果は不安定で、容易に覆る。
よくある質問
よくある質問
Suggested Tools
コメント (0)
発生した問題について詳しくご説明ください。調査を行い、ツールの改善に役立てたいと思います。