เครื่องวิเคราะห์ความรู้สึกด้วย AI

สิ่งที่มันบอกคุณ

วางข้อความลงไป กด Analyze แล้วหน้าเว็บจะรายงานว่าข้อความนั้นอ่านแล้วเป็นบวกหรือลบ พร้อมคะแนนของแต่ละฝั่ง ไม่มีตัวเลือกเป็นกลาง คะแนนฝั่งใดสูงกว่าจะกลายเป็นหัวข้อหลัก และแถบความคืบหน้าจะเอียงไปทางฝั่งนั้น

นี่คือตัวจำแนกขั้วอารมณ์ ไม่ใช่ระบบวิเคราะห์ความรู้สึกแบบเต็มรูปแบบ มันไม่ได้สกัดแง่มุมต่าง ๆ ไม่ได้ติดป้ายอารมณ์อย่างความโกรธหรือความสุข และไม่ได้อธิบายว่าคำใดทำให้ได้ผลลัพธ์นั้น มันตอบคำถามแคบ ๆ เพียงข้อเดียว — ข้อความนี้ฟังดูเป็นไปในทางบวกหรือทางลบ? — และปล่อยให้คุณตีความเอง

โมเดล

โมเดลที่มาพร้อมระบบเป็นตัวจำแนกขั้วอารมณ์ระดับประโยคในแนวทาง SST-2: ประโยคภาษาอังกฤษสั้น ๆ ส่วนใหญ่เป็นบทวิจารณ์ภาพยนตร์ ที่ติดป้ายว่าบวกหรือลบ ต้นกำเนิดนี้สำคัญ มันทำได้ดีกับความคิดเห็นที่เขียนด้วยภาษาประเมินค่าปกติ และอ่อนกว่ากับข้อความเชิงข้อเท็จจริง ซึ่งไม่มีความคิดเห็นให้ตรวจจับเลย

โดยปกติคะแนนทั้งสองจะรวมกันได้ประมาณหนึ่ง เพราะตัวจำแนกพื้นฐานกำหนดความน่าจะเป็นให้แต่ละคลาส หน้าเว็บแสดงทั้งสองค่า แต่ป้ายขนาดใหญ่และแถบจะตามค่าที่สูงกว่าเท่านั้น

ผลลัพธ์ถูกวาดอย่างไร

เมื่อฝั่งบวกชนะ แผงจะแสดงไอคอนยิ้ม คำว่า Positive สีเขียว และแถบที่มีความกว้าง 50 เปอร์เซ็นต์บวกครึ่งหนึ่งของคะแนนฝั่งบวก ดังนั้นคะแนนบวก 0.90 จึงวาดแถบที่ 85 เปอร์เซ็นต์ ไม่ใช่ 90 เปอร์เซ็นต์ แถบนี้เป็นการแสดงการเอียงออกจากจุดกึ่งกลาง ไม่ใช่การพล็อตคะแนนโดยตรง

เมื่อฝั่งลบชนะ คณิตศาสตร์แบบเดียวกันจะใช้กับคะแนนฝั่งลบ และป้ายจะเปลี่ยนเป็นสีแดง หากคะแนนเท่ากันพอดี โค้ดจะตกไปที่สาขาลบ ดังนั้นผลเสมอสมบูรณ์จะแสดงเป็น Negative

ใต้แถบ จะพิมพ์เปอร์เซ็นต์ทั้งสองเคียงข้างกัน ติดป้ายว่า Negative และ Positive นั่นคือตัวเลขจริง แถบเป็นเพียงบทสรุป ปุ่ม Clear จะล้าง textarea รีเซ็ตจำนวนอักขระ และซ่อนผลลัพธ์

ทีละขั้นตอน

1. วางหรือพิมพ์ข้อความลงในกล่อง ตัวนับอักขระจะอัปเดตขณะคุณพิมพ์
2. ปุ่ม Analyze จะยังใช้งานไม่ได้จนกว่าจะมีอย่างน้อยสามอักขระ
3. ในการรันครั้งแรก เบราว์เซอร์จะดาวน์โหลดรันไทม์ข้อความและโมเดล BERT แผงจะระบุชื่อแต่ละขั้นตอน
4. กด Analyze Sentiment ผลลัพธ์จะแทนที่สถานะว่างเปล่า
5. แก้ไขข้อความและวิเคราะห์อีกครั้งเพื่อเปรียบเทียบ โมเดลยังคงโหลดอยู่

ปุ่ม Load AI Model จะโหลดทุกอย่างล่วงหน้า หากคุณต้องการหลีกเลี่ยงการรอในครั้งแรก เมื่อโหลดเสร็จจะเปลี่ยนเป็นสถานะ "Model Ready" สีเขียว

อ่านคะแนนอย่างตรงไปตรงมา

คะแนนคือความมั่นใจของตัวจำแนกต่อป้ายหนึ่ง ไม่ใช่ความเข้มข้นของความรู้สึกที่วัดได้ ค่าบวก 0.95 หมายความว่าโมเดลมั่นใจว่าประโยคนั้นอยู่ในคลาสบวก ไม่ได้หมายความว่าประโยคนั้นเป็นบวกอย่างมาก บทวิจารณ์ที่ชอบเล็กน้อยและบทวิจารณ์ที่ชอบสุด ๆ อาจได้ค่าใกล้ 0.99 ทั้งคู่

ความแตกต่างเล็กน้อยคือสัญญาณรบกวน ผลลัพธ์ 0.52 บวก เทียบกับ 0.48 ลบ ใกล้เคียงกับการโยนเหรียญ และการเปลี่ยนถ้อยคำเพียงคำเดียวอาจพลิกผลได้ ให้ถือว่าค่าในช่วง 0.45 ถึง 0.55 เป็นผลที่ยังไม่ชัดเจน มากกว่าจะเป็นบวกอ่อน

ข้อความยาวเป็นกรณีพิเศษ โมเดลมีหน้าต่างอินพุตแบบตายตัว ดังนั้นข้อความยาวจะถูกตัดทอนหรือสรุปภายในโดยอัตโนมัติ บทวิจารณ์ที่ชื่นชมห้าจุดและติหนึ่งจุดอาจถูกจำแนกตามส่วนที่เด่นในตอนเปิด และคะแนนที่แสดงจะไม่เตือนคุณว่าข้อความส่วนใหญ่ถูกละเลย

จุดที่มันได้ผล

• ประโยคความคิดเห็นสั้น ๆ "The battery lasts all day" หรือ "The app crashes constantly" มีรูปแบบตรงกับที่โมเดลถูกฝึกมา
• การคัดกรองบทวิจารณ์ การแยกกองความคิดเห็นออกเป็นบวกโดยรวมและลบโดยรวมก่อนอ่าน
• การตรวจโทนอย่างรวดเร็ว ตรวจสอบหัวข้อ แท็กไลน์ หรือคำตอบถึงลูกค้าแบบคร่าว ๆ
• การสอน การสาธิตแบบกะทัดรัดว่าตัวจำแนกข้อความเปลี่ยนคำเป็นความน่าจะเป็นสองค่าได้อย่างไร
• การกรอง ติดธงข้อร้องเรียนที่อาจเกิดขึ้นในกล่องข้อความฝ่ายสนับสนุนให้มนุษย์ตรวจสอบ

จุดที่มันล้มเหลว

การประชดประชันคือความล้มเหลวคลาสสิก "Great, another delay" มีคำศัพท์เชิงบวกแต่ความหมายเชิงลบ และโมเดลมักอ่านคำมากกว่าเจตนา การพูดตรงกันข้าม คำชมแบบเสียดสี และคำถามเชิงวาทศิลป์ก็เชื่อถือได้ไม่ต่างกัน

การปฏิเสธถูกจัดการอย่างไม่สม่ำเสมอ "ไม่แย่" และ "ไม่ดี" อยู่ใกล้กันในด้านคำศัพท์แต่มีความหมายตรงข้าม และการปฏิเสธเพียงครั้งเดียวอาจถูกมองข้ามในประโยคที่ยาวขึ้น อารมณ์ความรู้สึกแบบผสมก็ถูกทำให้แบนราบเช่นกัน ย่อหน้าที่ชื่นชมสินค้าแต่ตำหนิการจัดส่งกลายเป็นป้ายเดียว โดยไม่มีการบ่งชี้ว่ามีทั้งสองความคิดเห็นอยู่

ข้อความที่เป็นข้อเท็จจริงและเป็นกลางถูกบังคับให้เป็นแบบทวิภาค เอกสารข้อมูลจำเพาะ พาดหัวข่าว หรือข้อกำหนดทางกฎหมายไม่มีความเป็นขั้ว แต่ตัวจำแนกยังคงส่งผลลัพธ์ออกมาหนึ่งอย่าง ให้ถือว่าผลลัพธ์เหล่านั้นไม่มีความหมายมากกว่าที่จะมองว่าเป็นความเอนเอียงเล็กน้อย

การเปลี่ยนแปลงของโดเมนมีความสำคัญ โมเดลเรียนรู้จากภาษาของบทวิจารณ์ภาพยนตร์ บทวิจารณ์สินค้า ข้อความแชต ทวีต บันทึกทางคลินิก และข้อความที่ไม่ใช่ภาษาอังกฤษล้วนมีพฤติกรรมที่แตกต่างกัน อีโมจิ คำสแลง และคำย่อส่วนใหญ่ถูกมองไม่เห็นโดยโมเดล

สิ่งที่มันไม่ทำ

ไม่มีคลาสเป็นกลาง ไม่มีป้ายอารมณ์ ไม่มีการวิเคราะห์ความรู้สึกตามแง่มุม ไม่มีการแยกย่อยรายประโยค ไม่มีการไฮไลต์คำสำคัญ ไม่มีคำอธิบาย ไม่มีการตรวจจับภาษา ไม่มีการแปล และไม่มีการวิเคราะห์แบบกลุ่ม มันไม่ให้คะแนนความเข้มข้นบนมาตรวัด และไม่บอกคุณว่าทำไมข้อความจึงถูกจำแนกเช่นนั้น

ความเป็นส่วนตัว

ข้อความถูกประมวลผลในเครื่องผ่าน WebAssembly ไม่มีสิ่งใดถูกส่งไปยังเซิร์ฟเวอร์ และไม่มีสิ่งใดถูกจัดเก็บหลังจากปิดหน้าเว็บ รันไทม์และโมเดลถูกดาวน์โหลดจาก CDN สาธารณะเมื่อใช้งานครั้งแรก ซึ่งเปิดเผยว่าเครื่องมือถูกเปิดขึ้นแต่ไม่เปิดเผยสิ่งที่คุณพิมพ์ สิ่งนี้ทำให้สามารถใช้งานกับบันทึกภายในและข้อความของลูกค้าได้ ภายใต้กฎข้อมูลของคุณเอง

ข้อจำกัด

ทีละหนึ่งข้อความ ไม่มีการอัปโหลดไฟล์ ไม่มีโหมดกลุ่ม ไม่มีการเลือกภาษา และไม่มีเกณฑ์ที่ปรับได้ หน้าต่างอินพุตของโมเดลจำกัดว่าเนื้อหาของเอกสารยาวจะถูกพิจารณาจริงเพียงใด ต้องใช้เบราว์เซอร์สมัยใหม่ที่รองรับ WebAssembly และมีการเชื่อมต่อเครือข่ายเมื่อโหลดครั้งแรก

ข้อผิดพลาดที่พบบ่อย

• คาดหวังผลลัพธ์ที่เป็นกลาง โมเดลมีเพียงสองคลาสและเลือกหนึ่งเสมอ
• ตีความคะแนนว่าเป็นความเข้มข้น มันคือความมั่นใจในป้าย ไม่ใช่ความแรงของความรู้สึก
• วิเคราะห์บทความทั้งชิ้น ข้อความยาวจะถูกตัดทอน และผลลัพธ์อาจสะท้อนเพียงบางส่วนของมัน
• เชื่อถือการตรวจจับการเสียดสี การประชดมักพลิกขั้วที่ปรากฏ
• ใช้กับข้อความที่เป็นข้อเท็จจริง ข้อมูลจำเพาะและข่าวไม่มีความคิดเห็นให้จำแนก
• อ่านผลลัพธ์ 52 เปอร์เซ็นต์เป็นข้อค้นพบ ผลที่ใกล้เคียงกันไม่คงที่และกลับทิศได้ง่าย

คำถามที่พบบ่อย