AI 감정 분석기
AI 감정 분석기는 문장을 읽고 긍정 또는 부정으로 분류하며, 각 측면에 대한 신뢰도 점수를 제공합니다. BERT 분류기는 브라우저에서 실행되므로 텍스트가 업로드되지 않습니다. 이는 이진 극성 모델로, 중립 클래스도, 감정 레이블도 없으며, 풍자에는 종종 잘못 판단합니다.
사용법 AI 감정 분석기
감정 분석
텍스트를 입력하고 감정을 분석하세요
내용 읽기
알려주는 내용
텍스트를 붙여넣고 분석을 누르면, 페이지는 그 텍스트가 긍정적으로 읽히는지 부정적으로 읽히는지를 각 측면의 점수와 함께 보고합니다. 중립 옵션은 없습니다. 더 높은 점수가 헤드라인이 되고, 진행 표시줄도 그쪽으로 기웁니다.
이것은 극성 분류기이지 완전한 감정 분석 시스템이 아닙니다. 측면을 추출하지 않고, 분노나 기쁨 같은 감정에 라벨을 붙이지 않으며, 어떤 단어가 결과를 이끌었는지 설명하지도 않습니다. 이 텍스트가 호의적인가 비호의적인가라는 좁은 질문 하나에 답하고, 해석은 여러분에게 맡깁니다.
모델
| 항목 | 세부 사항 |
|---|---|
| 런타임 | MediaPipe Tasks Text 0.10.15, WebAssembly |
| 모델 | BERT 텍스트 분류기, float32 |
| 클래스 | 긍정 및 부정 |
| 출력 | 소수점 한 자리로 표시되는 두 개의 점수 |
| 최소 입력 | 버튼이 활성화되기 전 세 글자 |
| 처리 | 전적으로 브라우저에서 |
번들로 제공되는 모델은 SST-2 전통의 문장 수준 극성 분류기입니다. 짧은 영어 문장, 대부분 영화 리뷰를 긍정 또는 부정으로 라벨링한 것입니다. 그 기원이 중요합니다. 일상적이고 평가적인 언어로 표현된 의견에는 뛰어나지만, 탐지할 의견 자체가 없는 사실적 텍스트에는 약합니다.
두 점수는 보통 합이 대략 1이 되는데, 기반 분류기가 각 클래스에 확률을 할당하기 때문입니다. 페이지는 둘 다 표시하지만, 큰 라벨과 표시줄은 더 높은 쪽만 따릅니다.
결과가 그려지는 방식
긍정이 이기면 패널은 웃는 아이콘, 초록색 "Positive"라는 단어, 그리고 너비가 50퍼센트에 긍정 점수의 절반을 더한 표시줄을 보여줍니다. 따라서 0.90의 긍정 점수는 90퍼센트가 아니라 85퍼센트 표시줄을 그립니다. 표시줄은 중간점에서 벗어난 시각적 기울기이지, 점수를 직접 그린 것이 아닙니다.
부정이 이기면 같은 계산이 부정 점수에 적용되고 라벨이 빨간색으로 바뀝니다. 점수가 정확히 같으면 코드는 부정 분기로 들어가므로, 완벽한 동점은 Negative로 표시됩니다.
표시줄 아래에는 두 백분율이 Negative와 Positive라는 라벨과 함께 나란히 인쇄됩니다. 그것이 실제 숫자이고, 표시줄은 요약일 뿐입니다. Clear 버튼은 텍스트 영역을 비우고, 글자 수를 초기화하고, 결과를 숨깁니다.
단계별 안내
- 상자에 텍스트를 붙여넣거나 입력합니다. 입력하는 동안 글자 수가 갱신됩니다.
- Analyze 버튼은 최소 세 글자가 있을 때까지 비활성 상태로 유지됩니다.
- 처음 실행하면 브라우저가 텍스트 런타임과 BERT 모델을 다운로드합니다. 패널이 각 단계를 표시합니다.
- Analyze Sentiment를 누릅니다. 결과가 빈 상태를 대체합니다.
- 텍스트를 편집하고 다시 분석하여 비교합니다. 모델은 로드된 상태로 유지됩니다.
Load AI Model 버튼은 처음 실행 시의 대기를 피하고 싶을 때 모든 것을 미리 로드합니다. 로드가 끝나면 초록색 "Model Ready" 상태로 바뀝니다.
점수를 정직하게 읽기
점수는 라벨에 대한 분류기의 확신이지, 측정된 감정의 강도가 아닙니다. 0.95 긍정은 모델이 그 문장이 긍정 클래스에 속한다고 확신한다는 뜻이며, 그 문장이 극도로 긍정적이라는 뜻은 아닙니다. 약간 호의적인 리뷰와 열광적인 리뷰가 둘 다 0.99 근처에 나올 수 있습니다.
작은 차이는 노이즈입니다. 0.52 긍정 대 0.48 부정이라는 결과는 동전 던지기에 가깝고, 단어 하나만 바꿔도 뒤집힐 수 있습니다. 0.45에서 0.55 구간의 값은 약한 긍정이 아니라 미결로 취급하세요.
긴 텍스트는 특별한 경우입니다. 모델은 고정된 입력 창을 가지므로, 긴 글은 사실상 잘리거나 내부적으로 요약됩니다. 다섯 가지 기능을 칭찬하고 하나를 비판하는 리뷰는 도입부를 지배하는 부분을 기준으로 분류될 수 있으며, 표시된 점수는 텍스트 대부분이 무시되었다고 경고해 주지 않습니다.
잘 작동하는 곳
- 짧은 의견 문장. "The battery lasts all day"나 "The app crashes constantly"는 모델이 훈련받은 바로 그 형태입니다.
- 리뷰 분류. 읽기 전에 댓글 더미를 대략 긍정과 대략 부정으로 나누기.
- 빠른 어조 확인. 헤드라인, 태그라인 또는 고객 답변을 점검하기.
- 교육. 텍스트 분류기가 단어를 두 개의 확률로 바꾸는 방식을 보여주는 간결한 시연.
- 필터링. 지원 수신함에서 사람이 검토하도록 가능성 높은 불만을 표시하기.
실패하는 곳
빈정거림은 전형적인 실패 사례입니다. "Great, another delay"는 긍정적인 어휘와 부정적인 의미를 담고 있는데, 모델은 종종 의도가 아니라 단어를 읽습니다. 반어, 비꼬는 칭찬, 수사적 질문도 마찬가지로 신뢰할 수 없습니다.
부정 표현은 일관성 없이 처리됩니다. "Not bad"와 "not good"은 어휘적으로는 가깝지만 의미는 반대이며, 긴 문장에서는 단일 부정어를 놓칠 수 있습니다. 혼합된 감정 또한 평탄화됩니다. 제품을 칭찬하고 배송을 비판하는 한 문단은 두 의견이 모두 존재한다는 표시 없이 하나의 레이블이 됩니다.
사실적이고 중립적인 텍스트는 이진 분류로 강제됩니다. 사양서, 뉴스 헤드라인 또는 법률 조항에는 극성이 없지만, 분류기는 여전히 하나의 승자를 반환합니다. 그러한 결과는 약간의 기울기로 보지 말고 무의미한 것으로 취급하세요.
도메인 이동이 중요합니다. 이 모델은 영화 리뷰 언어로 학습되었으며, 제품 리뷰, 채팅 메시지, 트윗, 임상 기록, 비영어 텍스트는 모두 다르게 작동합니다. 이모지, 속어, 약어는 대부분 인식되지 않습니다.
하지 않는 것
중립 클래스 없음, 감정 레이블 없음, 측면 기반 감정 분석 없음, 문장별 분석 없음, 키워드 강조 없음, 설명 없음, 언어 감지 없음, 번역 없음, 일괄 분석 없음. 강도를 척도로 점수화하지 않으며, 텍스트가 왜 그렇게 분류되었는지 알려주지 않습니다.
개인정보
텍스트는 WebAssembly에서 로컬로 처리됩니다. 서버로 전송되는 것은 없으며, 페이지를 닫은 후에는 아무것도 저장되지 않습니다. 런타임과 모델은 첫 사용 시 공개 CDN에서 다운로드되며, 이는 도구가 열렸다는 사실은 드러내지만 입력한 내용은 드러내지 않습니다. 따라서 자체 데이터 규칙에 따라 내부 메모와 고객 메시지에 사용할 수 있습니다.
한계
한 번에 하나의 텍스트만, 파일 업로드 없음, 일괄 모드 없음, 언어 선택 없음, 조정 가능한 임계값 없음. 모델의 입력 창은 긴 문서 중 실제로 고려되는 양을 제한합니다. 첫 로드 시 WebAssembly와 네트워크 접근이 가능한 최신 브라우저가 필요합니다.
흔한 실수
- 중립 결과를 기대하는 것. 모델에는 두 개의 클래스만 있으며 항상 하나를 선택합니다.
- 점수를 강도로 해석하는 것. 이는 레이블에 대한 확신이지, 감정의 강도가 아닙니다.
- 기사 전체를 분석하는 것. 긴 텍스트는 잘리며, 결과는 그 일부만 반영할 수 있습니다.
- 풍자 감지를 신뢰하는 것. 아이러니는 흔히 겉보기 극성을 뒤집습니다.
- 사실적 텍스트에 사용하는 것. 사양서와 뉴스에는 분류할 의견이 없습니다.
- 52퍼센트 결과를 발견으로 읽는 것. 근소한 차이는 불안정하며 쉽게 뒤집힙니다.
자주 묻는 질문
자주 묻는 질문
Suggested Tools
댓글 (0)
발생한 문제를 자세히 설명해 주시면, 저희가 이를 조사하고 도구를 개선할 수 있습니다.