Trình Phân Tích Cảm Xúc AI

Nó cho bạn biết điều gì

Dán một đoạn văn bản, nhấn Phân tích, và trang sẽ báo cáo liệu nó mang tính tích cực hay tiêu cực, kèm điểm số cho mỗi bên. Không có lựa chọn trung lập: bên nào có điểm cao hơn sẽ trở thành tiêu đề, và thanh tiến trình nghiêng về phía đó.

Đây là bộ phân loại cực tính, không phải một hệ thống phân tích cảm xúc đầy đủ. Nó không trích xuất khía cạnh, không gán nhãn các cảm xúc như giận dữ hay vui sướng, và không giải thích những từ nào dẫn đến kết quả. Nó trả lời một câu hỏi hẹp — văn bản này nghe có vẻ thuận lợi hay bất lợi? — và để phần diễn giải lại cho bạn.

Mô hình

Mô hình đi kèm là một bộ phân loại cực tính ở cấp độ câu theo truyền thống SST-2: các câu tiếng Anh ngắn, chủ yếu là đánh giá phim, được gán nhãn tích cực hoặc tiêu cực. Nguồn gốc đó rất quan trọng. Nó giỏi với những ý kiến diễn đạt bằng ngôn ngữ đánh giá thông thường và yếu hơn với văn bản mang tính sự kiện, nơi không có ý kiến nào để phát hiện cả.

Hai điểm số thường cộng lại xấp xỉ bằng một, vì bộ phân loại bên dưới gán một xác suất cho mỗi lớp. Trang hiển thị cả hai, nhưng nhãn lớn và thanh chỉ đi theo điểm cao hơn.

Cách kết quả được vẽ

Khi tích cực thắng, bảng hiển thị một biểu tượng mặt cười, từ Tích cực màu xanh lá, và một thanh có chiều rộng bằng 50 phần trăm cộng một nửa điểm tích cực. Do đó, điểm tích cực 0.90 sẽ vẽ một thanh 85 phần trăm, không phải 90 phần trăm. Thanh là một biểu thị xu hướng lệch khỏi điểm giữa, không phải là đồ thị trực tiếp của điểm số.

Khi tiêu cực thắng, phép tính tương tự áp dụng cho điểm tiêu cực, và nhãn chuyển sang màu đỏ. Nếu hai điểm số bằng nhau chính xác, mã sẽ rơi vào nhánh tiêu cực, nên một kết quả hòa hoàn hảo được hiển thị là Tiêu cực.

Bên dưới thanh, cả hai phần trăm được in cạnh nhau, gắn nhãn Tiêu cực và Tích cực. Chúng là những con số thực; thanh chỉ là một bản tóm tắt. Nút Xóa làm trống vùng văn bản, đặt lại số đếm ký tự và ẩn kết quả.

Từng bước một

1. Dán hoặc gõ văn bản vào ô. Bộ đếm ký tự cập nhật khi bạn gõ.
2. Nút Phân tích vẫn bị vô hiệu hóa cho đến khi có ít nhất ba ký tự.
3. Ở lần chạy đầu tiên, trình duyệt tải môi trường chạy văn bản và mô hình BERT. Bảng sẽ nêu tên từng giai đoạn.
4. Nhấn Phân tích Cảm xúc. Kết quả sẽ thay thế trạng thái trống.
5. Chỉnh sửa văn bản và phân tích lại để so sánh; mô hình vẫn được tải sẵn.

Nút Tải Mô hình AI tải trước mọi thứ nếu bạn muốn tránh việc chờ đợi ở lần chạy đầu. Sau khi tải xong, nó chuyển sang trạng thái "Mô hình Sẵn sàng" màu xanh lá.

Đọc các điểm số một cách trung thực

Điểm số là độ tin cậy của bộ phân loại đối với một nhãn, không phải cường độ cảm xúc được đo lường. 0.95 tích cực nghĩa là mô hình tin chắc câu thuộc lớp tích cực; nó không có nghĩa là câu đó cực kỳ tích cực. Một đánh giá hơi thuận lợi và một đánh giá ngập tràn sung sướng đều có thể đạt gần 0.99.

Những khác biệt nhỏ là nhiễu. Kết quả 0.52 tích cực so với 0.48 tiêu cực gần như tung đồng xu, và việc đổi một từ duy nhất có thể lật ngược nó. Hãy coi bất cứ thứ gì trong khoảng 0.45 đến 0.55 là chưa ngã ngũ, thay vì là một kết quả tích cực yếu.

Văn bản dài là một trường hợp đặc biệt. Mô hình có một cửa sổ đầu vào cố định, nên một đoạn dài thực chất bị cắt bớt hoặc tóm tắt bên trong. Một đánh giá ca ngợi năm tính năng và chỉ trích một tính năng có thể được phân loại dựa trên phần nào chiếm ưu thế ở đoạn mở đầu, và điểm số hiển thị sẽ không cảnh báo bạn rằng phần lớn văn bản đã bị bỏ qua.

Nơi nó hiệu quả

• Câu ý kiến ngắn. "Pin dùng được cả ngày" hay "Ứng dụng liên tục bị treo" chính là dạng mà mô hình được huấn luyện.
• Phân loại đánh giá. Sắp xếp một mớ bình luận thành nhìn chung tích cực và nhìn chung tiêu cực trước khi đọc chúng.
• Kiểm tra giọng điệu nhanh. Kiểm tra sơ bộ một tiêu đề, một khẩu hiệu hoặc một phản hồi khách hàng.
• Giảng dạy. Một minh họa gọn gàng về cách một bộ phân loại văn bản biến từ ngữ thành hai xác suất.
• Lọc. Đánh dấu những khiếu nại có khả năng xảy ra trong hộp thư hỗ trợ để con người xem xét.

Nơi nó thất bại

Châm biếm là thất bại kinh điển. "Tuyệt, lại thêm một lần trì hoãn nữa" chứa từ vựng tích cực nhưng ý nghĩa tiêu cực, và mô hình thường đọc từ ngữ thay vì đọc ý định. Sự mỉa mai, lời khen nửa vời và câu hỏi tu từ cũng không đáng tin cậy tương tự.

Phủ định được xử lý không đồng đều. "Not bad" và "not good" gần nhau về từ vựng nhưng trái ngược về ý nghĩa, và một phủ định duy nhất có thể bị bỏ sót trong một câu dài. Cảm xúc hỗn hợp cũng bị làm phẳng: một đoạn văn khen ngợi sản phẩm và chỉ trích khâu giao hàng trở thành một nhãn duy nhất, không có dấu hiệu nào cho thấy cả hai ý kiến đều tồn tại.

Văn bản mang tính sự kiện và trung lập bị ép vào dạng nhị phân. Một bảng thông số kỹ thuật, một tiêu đề tin tức hay một điều khoản pháp lý không có cực tính, nhưng bộ phân loại vẫn trả về một kết quả thắng thế. Hãy coi những kết quả đó là vô nghĩa thay vì là một khuynh hướng nhẹ.

Sự dịch chuyển lĩnh vực rất quan trọng. Mô hình được học từ ngôn ngữ đánh giá phim; đánh giá sản phẩm, tin nhắn trò chuyện, tweet, ghi chú lâm sàng và văn bản không phải tiếng Anh đều hành xử khác nhau. Biểu tượng cảm xúc, tiếng lóng và từ viết tắt phần lớn không được nó nhận ra.

Những gì nó không làm

Không có lớp trung lập, không có nhãn cảm xúc, không có phân tích cảm xúc theo khía cạnh, không có phân tách theo từng câu, không có làm nổi bật từ khóa, không có giải thích, không có phát hiện ngôn ngữ, không có dịch thuật và không có phân tích theo lô. Nó không chấm điểm cường độ theo thang đo, và nó không cho bạn biết tại sao một văn bản được phân loại như vậy.

Quyền riêng tư

Văn bản được xử lý cục bộ trong WebAssembly. Không có gì được gửi đến máy chủ, và không có gì được lưu trữ sau khi trang đóng lại. Môi trường chạy và mô hình được tải xuống từ các CDN công khai trong lần sử dụng đầu tiên, điều này tiết lộ rằng công cụ đã được mở nhưng không tiết lộ nội dung bạn đã nhập. Điều đó khiến nó có thể dùng được cho ghi chú nội bộ và tin nhắn khách hàng, tùy thuộc vào các quy tắc dữ liệu của riêng bạn.

Giới hạn

Mỗi lần một đoạn văn bản, không tải tệp lên, không có chế độ theo lô, không chọn ngôn ngữ và không điều chỉnh ngưỡng. Cửa sổ đầu vào của mô hình giới hạn lượng văn bản dài thực sự được xem xét. Cần có trình duyệt hiện đại hỗ trợ WebAssembly và truy cập mạng trong lần tải đầu tiên.

Những sai lầm thường gặp

• Mong đợi một kết quả trung lập. Mô hình chỉ có hai lớp và luôn chọn một trong hai.
• Coi điểm số là cường độ. Đó là độ tin cậy vào một nhãn, không phải mức độ mạnh của cảm xúc.
• Phân tích cả một bài viết. Văn bản dài bị cắt ngắn, và kết quả có thể chỉ phản ánh một phần của nó.
• Tin tưởng vào khả năng phát hiện mỉa mai. Sự châm biếm thường xuyên đảo ngược cực tính biểu kiến.
• Dùng nó trên văn bản mang tính sự kiện. Thông số kỹ thuật và tin tức không có ý kiến để phân loại.
• Đọc một kết quả 52 phần trăm như một phát hiện. Các kết quả gần hòa thì không ổn định và dễ bị đảo ngược.

Câu hỏi thường gặp