Ga naar de inhoud

Sentimentanalyse

We laten een taalmodel duizenden reacties lezen en per onderwerp het sentiment bepalen, over tijd. Zo volgde de Respect Foundation de Week van Respect online.

Met een social media monitor en onze LLM kreeg de Respect Foundation zicht op het sentiment rond de Week van Respect

Vanuit ons Data For Good label hielpen we de Respect Foundation de online impact van de campagne te meten: het sentiment van de berichtgeving en het daadwerkelijke bereik.

Lees de case

Hoe wordt er eigenlijk over ons gepraat, en verandert dat?

Na een campagne, een wijziging of een storing stromen er reacties in via social media, in reviews en in open antwoorden. Niemand leest ze allemaal. Een taalmodel doet dat wel, en laat zien waar de toon kantelt.

Plan een gesprek

Elke reactie krijgt een toon en een onderwerp, zodat je kunt tellen

Bespreek je reacties

Sentiment per bericht

Positief, negatief, neutraal of gemengd, zoals onze LLM de berichtgeving over de Week van Respect beoordeelde.

Waar het over gaat

Welk onderwerp de toon bepaalt: levering, prijs, personeel of een campagne. Voor WUA deelden we open antwoorden op onderwerp in.

Over tijd gevolgd

Hoe het sentiment verschuift na een campagne, een wijziging of een storing, per kanaal en per week.

Sentiment naast bereik

Hoeveel mensen een bericht zagen naast hoe erover werd gesproken, zoals in de impactanalyse voor de Respect Foundation.

Een paar honderd reacties met de hand gescoord, daarna pas het model

  1. Bronnen en vraag

    Welke reacties je wilt volgen, waar ze vandaan komen en wat je met de uitkomst gaat doen.

  2. Toetsen tegen mensen

    Het model scoort een steekproef die jullie ook zelf beoordelen, zodat je weet hoe vaak het klopt.

  3. Volgen en melden

    Een vast overzicht per kanaal en onderwerp, met een seintje als de toon plotseling kantelt.

Zijn er genoeg reacties om sentiment zinvol te meten?

Toets het in een gesprek

Past als

Er stromen doorlopend reacties in die niemand allemaal leest, en je wilt weten hoe de toon zich ontwikkelt en waar die door komt.

Past niet als

Het gaat om een handvol reacties per maand, of je wilt mails en tickets verdelen over teams. Dan past lezen of classificatie beter.

Waar de omvang van afhangt

Hoeveel bronnen en talen er zijn, of je de gegevens zelf mag ophalen, hoe fijn de onderwerpen moeten zijn en of het doorlopend moet draaien.

Snapt een model sarcasme?

Niet altijd. Daarom toetsen we op jullie eigen reacties en laten we twijfelgevallen zien, in plaats van ze stil mee te tellen.

Een monitoringtool, een standaardfunctie of een eigen taalmodel?

Een monitoringtool

Kies dit als je vooral social media wilt volgen met de kanalen en indeling die de tool zelf biedt.

Een standaardfunctie

Kies dit als positief of negatief per bericht genoeg is, bijvoorbeeld de sentimentfunctie in Databricks of Azure, waar je data al staat.

Een taalmodel op maat

Kies dit als je sentiment per onderwerp wilt, in jullie eigen indeling en over al je bronnen. Ons advies bij campagnes en diensten.

Met taalmodellen lazen we campagnereacties en open antwoorden

Data Science Lab bestaat sinds 2016 en is partner van Microsoft en Databricks. We analyseerden sentiment voor de Respect Foundation vanuit ons Data For Good label en deelden open antwoorden in voor WUA.

Plan een kennismaking

Welke reacties je nu laat liggen, is waar ons gesprek begint

Stef Stoelwinder

Stef Stoelwinder

Business Development

Stef is je aanspreekpunt. In het eerste gesprek bespreken we welke reacties je wilt volgen en wat je met de uitkomst doet.

Over welke campagne of dienst wil je weten hoe mensen erover denken?

Vertel welke reacties er binnenkomen en waar ze staan. Je krijgt antwoord per mail, of we plannen een eerste gesprek.

Vul een geldig e-mailadres in.

Laat ons weten waar we je mee kunnen helpen.

Veelgestelde vragen

Een model dat van een tekst bepaalt of de toon positief, negatief, neutraal of gemengd is. Bij sentimentanalyse per onderwerp kijkt het ook waar dat oordeel over gaat, zoals de prijs of de levering.

Andere toepassingen vind je bij AI-toepassingen.

Tekstanalyse is breder: teksten indelen op onderwerp, samenvatten en aan elkaar koppelen. Sentimentanalyse richt zich op de toon, en hoe die verschuift.

Meer over het bredere werk lees je bij NLP en tekstanalyse.

Ja, als de berichten op te halen zijn. Voor de Respect Foundation volgde een social media monitor de berichtgeving rond de Week van Respect, en beoordeelde onze LLM het sentiment.

Welke kanalen je mag ophalen, hangt af van de voorwaarden van elk platform.

Waar het kan, werken we waar je data al staat. Databricks heeft een AI-functie voor sentiment in SQL, en Azure AI Language kan sentiment per aspect bepalen. Voor een eigen indeling of lastige teksten zetten we een taalmodel in.

De keuze maken we op jullie eigen reacties.

Door het te vergelijken met mensen. Jullie scoren een steekproef zelf, het model ook, en we laten zien waar ze verschillen. Zo weet je hoeveel je op de uitkomst kunt bouwen.

Die toets herhalen we als de onderwerpen veranderen.

Ja, taalmodellen kunnen Nederlands, Engels en spreektaal lezen. Afkortingen, emoji en vakjargon toetsen we apart, omdat die per doelgroep verschillen.

Twijfelgevallen laten we zien in plaats van ze weg te strepen.

Door alleen op te slaan wat nodig is: de tekst, de datum, het kanaal en de uitkomst, zonder namen waar dat kan. Gaat het om klantgegevens, dan stemmen we vooraf af met je privacy officer.

Zie ook DPIA voor AI.

Als er te weinig reacties zijn om een verschuiving te zien, of als niemand de uitkomst gebruikt om iets anders te doen. Dan is gewoon lezen sneller.

Wil je mails of tickets verdelen, dan past e-mailclassificatie beter.