Analisador de Sentimento com IA

O que isto lhe diz

Cole um texto, prima Analisar, e a página indica se este se lê como positivo ou negativo, com uma pontuação para cada lado. Não existe opção neutra: a pontuação mais alta torna-se o título principal e a barra de progresso inclina-se para esse lado.

Este é um classificador de polaridade, não um sistema completo de análise de sentimentos. Não extrai aspetos, não rotula emoções como raiva ou alegria e não explica que palavras conduziram ao resultado. Responde a uma única questão restrita — este texto soa favorável ou desfavorável? — e deixa a interpretação consigo.

O modelo

O modelo incluído é um classificador de polaridade ao nível da frase na tradição SST-2: frases curtas em inglês, sobretudo críticas de filmes, rotuladas como positivas ou negativas. Essa origem é importante. É bom com opiniões formuladas em linguagem comum e avaliativa e mais fraco com texto factual, onde não há qualquer opinião a detetar.

As duas pontuações somam normalmente cerca de um, porque o classificador subjacente atribui uma probabilidade a cada classe. A página mostra ambas, mas o rótulo grande e a barra seguem apenas a mais alta.

Como o resultado é desenhado

Quando o positivo vence, o painel mostra um ícone sorridente, a palavra Positivo a verde e uma barra cuja largura é 50 por cento mais metade da pontuação positiva. Uma pontuação positiva de 0,90 desenha, portanto, uma barra de 85 por cento, não de 90 por cento. A barra é uma inclinação visual em relação ao ponto médio, não uma representação direta da pontuação.

Quando o negativo vence, aplica-se a mesma matemática à pontuação negativa e o rótulo fica vermelho. Se as pontuações forem exatamente iguais, o código recai no ramo negativo, pelo que um empate perfeito é apresentado como Negativo.

Abaixo da barra, ambas as percentagens são impressas lado a lado, rotuladas Negativo e Positivo. São os números reais; a barra é apenas um resumo. O botão Limpar esvazia a área de texto, reinicia o contador de caracteres e oculta o resultado.

Passo a passo

1. Cole ou escreva texto na caixa. O contador de caracteres é atualizado à medida que escreve.
2. O botão Analisar permanece desativado até haver pelo menos três caracteres.
3. Na primeira execução, o navegador transfere o runtime de texto e o modelo BERT. O painel nomeia cada etapa.
4. Prima Analisar Sentimento. O resultado substitui o estado vazio.
5. Edite o texto e analise novamente para comparar; o modelo permanece carregado.

O botão Carregar Modelo de IA pré-carrega tudo se quiser evitar a espera da primeira execução. Uma vez carregado, muda para um estado verde "Modelo Pronto".

Ler as pontuações com honestidade

Uma pontuação é a confiança do classificador num rótulo, não uma intensidade de sentimento medida. 0,95 positivo significa que o modelo está confiante de que a frase pertence à classe positiva; não significa que a frase seja extremamente positiva. Uma crítica ligeiramente favorável e uma eufórica podem ambas situar-se perto de 0,99.

Pequenas diferenças são ruído. Um resultado de 0,52 positivo contra 0,48 negativo está próximo de um lançamento de moeda, e reformular uma única palavra pode invertê-lo. Trate tudo o que esteja na faixa de 0,45 a 0,55 como não resolvido, em vez de como um positivo fraco.

O texto longo é um caso especial. O modelo tem uma janela de entrada fixa, pelo que uma passagem longa é efetivamente truncada ou resumida internamente. Uma crítica que elogia cinco características e critica uma pode ser classificada com base na parte que domina o início, e a pontuação apresentada não o avisará de que a maior parte do texto foi ignorada.

Onde funciona

• Frases curtas de opinião. "A bateria dura o dia todo" ou "A aplicação falha constantemente" têm exatamente a forma com que o modelo foi treinado.
• Triagem de críticas. Separar uma pilha de comentários em amplamente positivos e amplamente negativos antes de os ler.
• Verificações rápidas de tom. Verificar por precaução um título, um slogan ou uma resposta a um cliente.
• Ensino. Uma demonstração compacta de como um classificador de texto transforma palavras em duas probabilidades.
• Filtragem. Sinalizar prováveis reclamações numa caixa de entrada de apoio para revisão humana.

Onde falha

O sarcasmo é a falha clássica. "Ótimo, mais um atraso" contém vocabulário positivo e significado negativo, e o modelo lê frequentemente as palavras em vez da intenção. A ironia, os elogios com segundas intenções e as perguntas retóricas são igualmente pouco fiáveis.

A negação é tratada de forma irregular. "Not bad" e "not good" estão próximos no vocabulário, mas têm significados opostos, e uma única negação pode passar despercebida numa frase mais longa. O sentimento misto também é achatado: um parágrafo que elogia o produto e condena a entrega torna-se um único rótulo, sem indicação de que ambas as opiniões existem.

Texto factual e neutro é forçado numa classificação binária. Uma ficha técnica, um título de notícia ou uma cláusula legal não têm polaridade, mas o classificador ainda devolve um vencedor. Trate esses resultados como sem significado, em vez de uma ligeira inclinação.

A mudança de domínio importa. O modelo aprendeu com linguagem de críticas de filmes; avaliações de produtos, mensagens de chat, tweets, notas clínicas e texto não inglês comportam-se todos de forma diferente. Emoji, gíria e abreviaturas são largamente invisíveis para ele.

O que não faz

Sem classe neutra, sem rótulos de emoção, sem sentimento baseado em aspetos, sem análise frase a frase, sem realce de palavras-chave, sem explicação, sem deteção de idioma, sem tradução e sem análise em lote. Não avalia a intensidade numa escala e não lhe diz por que razão um texto foi classificado da forma como foi.

Privacidade

O texto é processado localmente em WebAssembly. Nada é enviado para um servidor e nada é armazenado depois de a página ser fechada. O runtime e o modelo são descarregados de CDNs públicos na primeira utilização, o que revela que a ferramenta foi aberta, mas não o que escreveu. Isso torna-a utilizável para notas internas e mensagens de clientes, sujeita às suas próprias regras de dados.

Limites

Um texto de cada vez, sem carregamento de ficheiros, sem modo de lote, sem seleção de idioma e sem limiar ajustável. A janela de entrada do modelo limita quanto de um documento longo é realmente considerado. É necessário um navegador moderno com WebAssembly e acesso à rede no primeiro carregamento.

Erros comuns

• Esperar um resultado neutro. O modelo tem apenas duas classes e escolhe sempre uma.
• Tratar a pontuação como intensidade. É a confiança num rótulo, não a força do sentimento.
• Analisar um artigo inteiro. O texto longo é truncado e o resultado pode refletir apenas parte dele.
• Confiar na deteção de sarcasmo. A ironia inverte rotineiramente a polaridade aparente.
• Usá-lo em texto factual. Especificações e notícias não têm opinião a classificar.
• Ler um resultado de 52 por cento como uma conclusão. Os empates próximos são instáveis e facilmente invertidos.

Perguntas frequentes