AI भावना विश्लेषक

यसले तपाईंलाई के बताउँछ

एउटा पाठ टुक्रा टाँस्नुहोस्, Analyze थिच्नुहोस्, र पृष्ठले यो सकारात्मक वा नकारात्मक पढिन्छ कि भनी प्रत्येक पक्षको स्कोरसहित जानकारी दिन्छ। कुनै तटस्थ विकल्प छैन: कुन स्कोर उच्च हुन्छ त्यही शीर्षक बन्छ, र प्रगति पट्टी त्यसै पक्षतिर झुक्छ।

यो ध्रुवीयता वर्गीकरणकर्ता हो, पूर्ण भावना प्रणाली होइन। यसले पक्षहरू निकाल्दैन, रिस वा आनन्दजस्ता भावनाहरू लेबल गर्दैन, र कुन शब्दहरूले नतिजा दिए भनी व्याख्या गर्दैन। यसले एउटा साँघुरो प्रश्नको उत्तर दिन्छ — यो पाठ अनुकूल वा प्रतिकूल सुनिन्छ? — र व्याख्या तपाईंलाई नै छोड्छ।

मोडेल

समावेश गरिएको मोडेल SST-2 परम्पराको वाक्य-स्तरीय ध्रुवीयता वर्गीकरणकर्ता हो: छोटा अंग्रेजी वाक्यहरू, प्रायः चलचित्र समीक्षाहरू, सकारात्मक वा नकारात्मक लेबल गरिएका। त्यो उत्पत्ति महत्त्वपूर्ण छ। यो साधारण, मूल्याङ्कनात्मक भाषामा व्यक्त गरिएका विचारहरूमा राम्रो छ र तथ्यात्मक पाठमा कमजोर, जहाँ पत्ता लगाउन कुनै विचार नै हुँदैन।

दुई स्कोरहरू सामान्यतया लगभग एकमा जोडिन्छन्, किनकि आधारभूत वर्गीकरणकर्ताले प्रत्येक वर्गलाई सम्भाव्यता तोक्छ। पृष्ठले दुवै देखाउँछ, तर ठूलो लेबल र पट्टीले उच्च एउटालाई मात्र पछ्याउँछ।

नतिजा कसरी कोरिन्छ

सकारात्मक जित्दा, प्यानलले मुस्कुराउँदो आइकन, हरियोमा Positive शब्द, र चौडाइ ५० प्रतिशत प्लस सकारात्मक स्कोरको आधा हुने पट्टी देखाउँछ। त्यसैले 0.90 सकारात्मक स्कोरले ८५ प्रतिशत पट्टी कोर्छ, ९० प्रतिशत होइन। पट्टी मध्यबिन्दुबाट दृश्य झुकाव हो, स्कोरको सिधा प्लट होइन।

नकारात्मक जित्दा, उही गणित नकारात्मक स्कोरमा लागू हुन्छ, र लेबल रातो हुन्छ। यदि स्कोरहरू ठ्याक्कै बराबर छन् भने, कोड नकारात्मक शाखामा पर्छ, त्यसैले पूर्ण बराबरी Negative रूपमा देखाइन्छ।

पट्टीको तल, दुवै प्रतिशतहरू Negative र Positive लेबलसहित छेउछाउमा छापिन्छन्। ती वास्तविक संख्याहरू हुन्; पट्टी केवल सारांश हो। Clear बटनले टेक्स्टएरिया खाली गर्छ, वर्ण गणना रिसेट गर्छ र नतिजा लुकाउँछ।

चरणबद्ध

1. बक्समा पाठ टाँस्नुहोस् वा टाइप गर्नुहोस्। टाइप गर्दा वर्ण काउन्टर अपडेट हुन्छ।
2. कम्तीमा तीन वर्ण नभएसम्म Analyze बटन असक्रिय रहन्छ।
3. पहिलो पटक चलाउँदा, ब्राउजरले टेक्स्ट रनटाइम र BERT मोडेल डाउनलोड गर्छ। प्यानलले प्रत्येक चरणको नाम दिन्छ।
4. Analyze Sentiment थिच्नुहोस्। नतिजाले खाली अवस्थालाई प्रतिस्थापन गर्छ।
5. पाठ सम्पादन गर्नुहोस् र तुलना गर्न फेरि विश्लेषण गर्नुहोस्; मोडेल लोड भइरहन्छ।

पहिलो पटकको प्रतीक्षा बेवास्ता गर्न चाहनुहुन्छ भने Load AI Model बटनले सबै कुरा पहिले नै लोड गर्छ। लोड भएपछि यो हरियो "Model Ready" अवस्थामा परिवर्तन हुन्छ।

स्कोरहरू इमानदारीपूर्वक पढ्ने

स्कोर भनेको लेबलप्रति वर्गीकरणकर्ताको विश्वास हो, भावनाको मापन गरिएको तीव्रता होइन। 0.95 सकारात्मक भन्नाले मोडेल वाक्य सकारात्मक वर्गमा पर्छ भन्नेमा विश्वस्त छ भन्ने हो; यसको अर्थ वाक्य अत्यन्त सकारात्मक छ भन्ने होइन। हल्का अनुकूल समीक्षा र अत्यन्त उत्साहित समीक्षा दुवै 0.99 नजिक पर्न सक्छन्।

साना भिन्नताहरू हल्ला हुन्। 0.52 सकारात्मक विरुद्ध 0.48 नकारात्मकको नतिजा सिक्का उछाल्ने नजिक छ, र एउटा शब्द फेर्दा यो पल्टिन सक्छ। 0.45 देखि 0.55 ब्यान्डमा पर्ने जुनसुकै कुरालाई कमजोर सकारात्मकको रूपमा नभई अनिर्णीत मान्नुहोस्।

लामो पाठ एउटा विशेष अवस्था हो। मोडेलको निश्चित इनपुट विन्डो हुन्छ, त्यसैले लामो अनुच्छेद प्रभावकारी रूपमा काटिन्छ वा आन्तरिक रूपमा संक्षेप गरिन्छ। पाँच सुविधाको प्रशंसा गर्ने र एउटाको आलोचना गर्ने समीक्षा सुरुवातमा हावी हुने भागमा वर्गीकृत हुन सक्छ, र देखाइएको स्कोरले अधिकांश पाठ बेवास्ता गरिएको कुरा तपाईंलाई चेतावनी दिँदैन।

जहाँ यो काम गर्छ

• छोटा विचार वाक्यहरू। "The battery lasts all day" वा "The app crashes constantly" ठ्याक्कै त्यही आकारका छन् जसमा मोडेल तालिम गरिएको थियो।
• समीक्षा वर्गीकरण। पढ्नुअघि थुप्रो टिप्पणीहरूलाई मोटामोटी सकारात्मक र मोटामोटी नकारात्मकमा छुट्याउने।
• द्रुत स्वर जाँच। एउटा शीर्षक, ट्यागलाइन वा ग्राहक जवाफको शुद्धता जाँच्ने।
• शिक्षण। टेक्स्ट वर्गीकरणकर्ताले शब्दहरूलाई कसरी दुई सम्भाव्यतामा बदल्छ भन्ने संक्षिप्त प्रदर्शन।
• फिल्टरिङ। सहयोग इनबक्समा सम्भावित गुनासोहरू मानिसले समीक्षा गर्नका लागि चिन्ह लगाउने।

जहाँ यो असफल हुन्छ

व्यंग्याचातुरी क्लासिक असफलता हो। "Great, another delay" मा सकारात्मक शब्दावली र नकारात्मक अर्थ छ, र मोडेलले प्रायः मनसाय नभई शब्दहरू पढ्छ। विडम्बना, व्यंग्यात्मक प्रशंसा र अलंकारिक प्रश्नहरू पनि त्यसैगरी अविश्वसनीय छन्।

नकारात्मकता असमान रूपमा व्यवस्थापन गरिन्छ। "नराम्रो छैन" र "राम्रो छैन" शब्दावलीमा नजिकै छन् तर अर्थमा विपरीत, र लामो वाक्यमा एउटा नकारात्मकता छुट्न सक्छ। मिश्रित भावना पनि समतल गरिन्छ: उत्पादनको प्रशंसा गर्ने र डेलिभरीको निन्दा गर्ने अनुच्छेद एउटै लेबलमा परिणत हुन्छ, दुवै विचार रहेको कुनै संकेत बिना।

तथ्यात्मक र तटस्थ पाठलाई द्विआधारीमा बाध्य गरिन्छ। एउटा विशिष्टता पाना, समाचार शीर्षक वा कानुनी धारामा कुनै ध्रुवीयता हुँदैन, तैपनि वर्गीकरणकर्ताले अझै एउटा विजेता फर्काउँछ। ती नतिजालाई हल्का झुकावको रूपमा नभई अर्थहीनको रूपमा लिनुहोस्।

डोमेन परिवर्तनले महत्त्व राख्छ। मोडेलले फिल्म-समीक्षाको भाषाबाट सिकेको हो; उत्पादन समीक्षा, च्याट सन्देश, ट्वीट, क्लिनिकल नोट र गैर-अंग्रेजी पाठ सबै फरक व्यवहार गर्छन्। इमोजी, स्ल्याङ र संक्षेपण यसका लागि धेरै हदसम्म अदृश्य छन्।

यसले के गर्दैन

तटस्थ वर्ग छैन, भावना लेबल छैन, पक्ष-आधारित भावना छैन, वाक्य-प्रति विभाजन छैन, कुञ्जीशब्द हाइलाइटिङ छैन, व्याख्या छैन, भाषा पहिचान छैन, अनुवाद छैन र ब्याच विश्लेषण छैन। यसले तीव्रतालाई कुनै स्केलमा अंक दिँदैन, र कुनै पाठलाई किन त्यसरी वर्गीकृत गरियो भनी यसले तपाईंलाई बताउँदैन।

गोपनीयता

पाठ WebAssembly मा स्थानीय रूपमा प्रशोधन गरिन्छ। कुनै पनि कुरा सर्भरमा पठाइँदैन, र पृष्ठ बन्द भएपछि कुनै पनि कुरा भण्डारण गरिँदैन। रनटाइम र मोडेल पहिलो प्रयोगमा सार्वजनिक CDN हरूबाट डाउनलोड गरिन्छ, जसले औजार खोलिएको कुरा प्रकट गर्छ तर तपाईंले टाइप गरेको कुरा होइन। यसले यसलाई आन्तरिक नोट र ग्राहक सन्देशका लागि प्रयोगयोग्य बनाउँछ, तपाईंका आफ्नै डेटा नियमहरूको अधीनमा।

सीमाहरू

एक पटकमा एउटा पाठ, कुनै फाइल अपलोड छैन, कुनै ब्याच मोड छैन, कुनै भाषा चयन छैन र कुनै समायोज्य थ्रेसहोल्ड छैन। मोडेलको इनपुट विन्डोले लामो कागजातको कति भाग वास्तवमा विचार गरिन्छ भन्ने सीमित गर्छ। पहिलो लोडमा WebAssembly र नेटवर्क पहुँच भएको आधुनिक ब्राउजर आवश्यक छ।

सामान्य गल्तीहरू

• तटस्थ नतिजाको अपेक्षा गर्नु। मोडेलमा दुई मात्र वर्ग छन् र सधैं एउटा छान्छ।
• स्कोरलाई तीव्रताको रूपमा लिनु। यो एउटा लेबलमा विश्वास हो, भावनाको बल होइन।
• पूरै लेखको विश्लेषण गर्नु। लामो पाठ छोट्याइन्छ, र नतिजाले यसको एउटा भाग मात्र प्रतिबिम्बित गर्न सक्छ।
• व्यंग्य पहिचानमा भरोसा गर्नु। विडम्बनाले नियमित रूपमा देखिने ध्रुवीयता उल्टाउँछ।
• यसलाई तथ्यात्मक पाठमा प्रयोग गर्नु। विशिष्टता र समाचारमा वर्गीकरण गर्ने कुनै विचार हुँदैन।
• ५२ प्रतिशत नतिजालाई निष्कर्षको रूपमा पढ्नु। नजिकको बराबरी अस्थिर हुन्छ र सजिलै उल्टिन्छ।

बारम्बार सोधिने प्रश्नहरू