Ir para o conteúdo

Análise de sentimento

Usamos um modelo de linguagem para analisar milhares de reações e determinar o sentimento por tema ao longo do tempo. Foi assim que a Respect Foundation acompanhou online a Week van Respect.

Uma ferramenta de monitorização das redes sociais e o nosso LLM ajudaram a Respect Foundation a compreender o sentimento em torno da Week van Respect

Através da nossa iniciativa Data For Good, ajudámos a Respect Foundation a medir o impacto online da campanha: o sentimento da cobertura e o alcance efetivo.

Leia o caso de estudo

Como falam de nós, e isso está a mudar?

Depois de uma campanha, de uma alteração ou de uma falha, chegam reações pelas redes sociais, nas avaliações e nas respostas abertas. Ninguém as lê todas. Um modelo de linguagem lê-as e mostra onde o tom muda.

Agende uma conversa

Cada resposta recebe um tom e um tema, para que possa contabilizá-las

Fale connosco sobre as suas respostas

Sentimento por mensagem

Positivo, negativo, neutro ou misto, como na avaliação que o nosso LLM fez da cobertura da Week van Respect.

O tema em questão

Que tema determina o tom: entrega, preço, pessoal ou uma campanha. Para a WUA, classificámos as respostas abertas por tema.

Acompanhamento ao longo do tempo

Como o sentimento muda após uma campanha, uma alteração ou uma falha, por canal e por semana.

Sentimento e alcance

Quantas pessoas viram uma mensagem e como se falou dela, como na análise de impacto para a Respect Foundation.

Algumas centenas de comentários avaliados manualmente, só depois o modelo

  1. Fontes e objetivos

    Que comentários pretende acompanhar, de onde vêm e o que fará com os resultados.

  2. Comparar com avaliações humanas

    O modelo avalia uma amostra que a sua equipa também analisa, para saber com que frequência acerta.

  3. Acompanhar e alertar

    Um resumo regular por canal e tema, com um alerta se o tom mudar de repente.

Há comentários suficientes para medir o sentimento de forma útil?

Fale connosco para avaliar

É adequado se

Recebe continuamente comentários que ninguém lê na totalidade e quer perceber como o tom evolui e o que está na sua origem.

Não é adequado se

Recebe apenas alguns comentários por mês ou quer distribuir emails e tickets pelas equipas. Nesse caso, é mais adequado lê-los ou recorrer à classificação.

O que determina o âmbito

O número de fontes e idiomas, se pode recolher os dados por conta própria, o nível de detalhe necessário para os temas e se a solução tem de funcionar continuamente.

Um modelo compreende o sarcasmo?

Nem sempre. Por isso, testamos o modelo com os seus próprios comentários e assinalamos os casos duvidosos, em vez de os contabilizar sem aviso.

Uma ferramenta de monitorização, uma funcionalidade padrão ou um modelo de linguagem à medida?

Uma ferramenta de monitorização

Escolha esta opção se pretende sobretudo acompanhar as redes sociais com os canais e a classificação que a própria ferramenta disponibiliza.

Uma funcionalidade padrão

Escolha esta opção se basta classificar cada publicação como positiva ou negativa, por exemplo com a funcionalidade de análise de sentimento no Databricks ou no Azure, onde os seus dados já se encontram.

Um modelo de linguagem à medida

Escolha esta opção se pretende analisar o sentimento por tema, segundo a sua própria classificação e em todas as suas fontes. É o que recomendamos para campanhas e serviços.

Usámos modelos de linguagem para analisar reações a campanhas e respostas abertas

A Data Science Lab existe desde 2016 e é parceira da Microsoft e da Databricks. Analisámos o sentimento para a Respect Foundation no âmbito da nossa iniciativa Data For Good e classificámos respostas abertas para a WUA.

Agende uma reunião de apresentação

A nossa conversa começa pelas respostas que está a deixar passar

Stef Stoelwinder

Stef Stoelwinder

Business Development

Stef é o seu ponto de contacto. Na primeira conversa, falamos sobre as respostas que pretende acompanhar e o que fará com os resultados.

Sobre que campanha ou serviço gostaria de saber o que as pessoas pensam?

Diga-nos que comentários está a receber e onde estão publicados. Respondemos por email ou marcamos uma primeira conversa.

Introduza um endereço de e-mail válido.

Diga-nos como podemos ajudar.

Perguntas frequentes

A análise de sentimento usa um modelo para determinar se o tom de um texto é positivo, negativo, neutro ou misto. A análise de sentimento por aspeto também identifica a que se refere a opinião, como o preço ou a entrega.

Encontra outras aplicações em Aplicações de IA.

A análise de texto é mais abrangente: inclui classificar textos por tema, resumi-los e relacioná-los entre si. A análise de sentimento centra-se no tom e na forma como este muda.

Saiba mais sobre esta área em NLP e análise de texto.

Sim, se for possível recolher as publicações. Para a Respect Foundation, um sistema de monitorização das redes sociais acompanhou as publicações sobre a Week van Respect, e o nosso LLM avaliou o sentimento.

Os canais de onde pode recolher publicações dependem dos termos de cada plataforma.

Sempre que possível, trabalhamos onde os seus dados já se encontram. O Databricks tem uma função de IA para análise de sentimento em SQL, e o Azure AI Language pode avaliar o sentimento por aspeto. Para uma classificação à medida ou textos difíceis, utilizamos um modelo de linguagem.

Fazemos a escolha com base nos seus próprios comentários.

Comparando-o com pessoas. A sua equipa e o modelo avaliam, cada um, uma amostra, e mostramos onde as avaliações diferem. Assim, sabe até que ponto pode confiar nos resultados.

Repetimos este teste se os temas mudarem.

Sim, os modelos de linguagem conseguem ler neerlandês, inglês e linguagem informal. Testamos abreviaturas, emoji e terminologia especializada em separado, porque variam consoante o público.

Mostramos os casos ambíguos em vez de os descartar.

Guardamos apenas o necessário: o texto, a data, o canal e o resultado, sem nomes sempre que possível. Se estiverem envolvidos dados de clientes, acordamos previamente a abordagem com o seu responsável pela privacidade.

Veja também DPIA para IA.

Quando há poucos comentários para detetar uma mudança, ou quando ninguém usa os resultados para fazer algo de forma diferente. Nesses casos, é mais rápido ler simplesmente os comentários.

Se pretende encaminhar emails ou tickets, a classificação de emails é mais adequada.