收益：
- 能够解释情感分析的极性、强度和主题输出，并利用人工智能对数百条评论进行分类
- 了解讽刺、俚语和混合情绪等界限，并能够用真实的例子验证百分比
- 能够将消极情绪与主题联系起来，并将其转化为具体行动，并作为假设来检验原因
品牌在社交媒体上谈论的内容与谈论的内容同样重要。在数百条评论、数千条提及和不断流动的消息中保持品牌脉搏是一堆太大而无法手动跟踪的数据。这就是情感分析发挥作用的地方。这种方法在英语中称为情感分析，是自动对文本的情绪基调（积极、消极、中性）进行分类的过程。人工智能可以在几秒钟内阅读数百条评论，并得出诸如“本周正面评论为 62％，负面评论为 28％，中性评论为 10％；大多数负面评论与运输有关”之类的摘要。这为社交媒体经理提供了宝贵的预警和洞察工具。但情感分析也是一种猜测：它可能会误读讽刺、幽默和当地俚语。重要的不是看数字，而是看数字背后的例子。
情绪分析衡量什么，不衡量什么？
情感分析给出了三个基本输出。极性：文本是正极、负极还是中性。强度：情绪的强度（轻微的不满或愤怒）。主题/主题：情感是什么（价格、运输、质量、服务）。最有价值的结果是第三个：仅“消极情绪增加”并不能转化为行动； “70％的负面情绪与货物延误有关”产生了直接行动。
了解情绪分析的局限性至关重要。讽刺和讽刺：人工智能可能会将“太棒了，它又不起作用了👏”这句话视为积极的。俚语和白话：可能会误读地方习语。背景：“炸弹”这个词在产品中是积极的，在新闻报道中是消极的。复杂的情绪：“产品很好，但很贵”既有积极的一面，也有消极的一面。因此，请使用情感分析作为起点，而不是作为确定的事实。
输出
它有什么作用？
限额/风险
极性（正/负/中性）
看看总体情绪
讽刺和业力错过了情感
密度
了解紧迫性
可能会错误地夸大其词
主题/话题
产生行动
可能会将其分配给错误的主题
随时间变化的趋势
预警
小样本量会产生误导
注意：未经核实，请勿将情绪分析给出的百分比纳入管理报告中。阅读每个类别的几个真实例子，目视检查分类是否正确；尤其是那些被标记为“负面”的。
一步一步：情感分析研究
- 收集和清理数据。特定时期内的评论/提及汇总；掩盖个人数据。
- 检查样本大小。从 20 条评论中减去百分比具有误导性；目标是一个有意义的数字（例如 100+）。
- 分类。让AI做极性+主题标记。
- 举例验证。阅读每堂课的 5 个例子；修复错误的标签。
- 优先考虑主题。找出产生最多消极情绪的 3 个主题。
- 将其与行动联系起来。针对每个主题制定提案/行动草案，并转发给相关单位。
四个可复制模板
对于批量分类：
对以下每条评论进行分类：极性[正面/负面/中性]和主题[价格/运输/质量/服务/其他]。用[?]标记可能的讽刺。最后给出一个总结：每种极性的百分比以及 3 个最常见的负面主题。屏蔽个人数据。评论：1) ...2) ...
主题深化：
阅读这些负面评论并加深“运输”主题：哪些子问题突出（延误、损坏、跟踪、沟通）？每个子问题给出多少条评论和 1 个代表性引用。不要编造数字；只需依赖我给出的评论即可。评论：...
趋势比较：
比较两个时期的情绪总结。上个月：积极58%，消极30%，中性12%；主要负面主题：价格。本月：正面 49%，负面 41%，中性 10%；主要负面主题：运输。发生了什么变化，可能的原因是什么？不要说出确切的原因；验证假设并写出如何验证每个假设。
将洞察转化为行动：
从下面的情感分析摘要中，出现了 3 个具体的行动建议（短期）。对于每个建议：问题、建议的行动、哪个单位、如何衡量。摘要：[粘贴摘要]。
弱提示/强提示
弱提示：
分析这些评论的情绪。
极性、主题和摘要格式都不明确；人工智能会产生混乱且无法验证的结果，并且错过了讽刺意义。
强力提示：
对以下 60 条评论进行排序（正面/负面/中立 + 主题：价格/运输/质量/服务/其他）。对于那些有讽刺嫌疑的人，请标记[?]。只要根据我给出的评论补上数字即可。输出：(1) 极性百分比，(2) 3 个最常见的负面主题，每个主题 1 个引用，(3) 3 个我需要验证的可疑标签。
后者提供了可靠的、可操作的结果，因为它包括格式、边界和验证步骤。
三个迷你箱子
案例一、某电信品牌通过AI分析1400条赛后评论；发现 64% 的负面情绪集中在“账单混乱”这一主题上。凭借这种洞察力，他们改进了常见问题解答和活动沟通；接下来的一个月，同一主题从 64% 下降到 22%。
案例2、某食品品牌未经核实，向管理层提交了人工智能“80%正面”的总结。阅读这些示例后，很明显，大多数被视为“积极”的评论都是讽刺性的（“我喜欢它，它第三次到达时就坏了”）。实际阳性率为52%。教训：在没有用例子验证的情况下不要报告百分比。
案例3、某电商品牌因18条评论“负面情绪爆发”，立即发起道歉活动；然而，样本非常小，与总体情况相矛盾。不必要的活动造成了混乱。教训：不要从小样本中得出大结论。
常见错误
- 忽略讽刺。将讽刺性的评论视为积极的。
- 未验证百分比。示例：将数字放在报告上而不阅读它。
- 小样本。从 15-20 条评论中得出明确的趋势。
- 非接触式分析。说“负增长”，却找不到原因；不产生行动。
- 不掩盖个人数据。为该工具提供审阅者的姓名。
- 明确说出原因。将相关性误认为因果关系并采取错误的行动。
基于主题的分析和竞争对手比较
将情感分析更进一步的方法是基于方面的分析：不是将评论压缩为单个正面/负面标签，而是分别评估其中的不同主题。例如，“产品很棒，但运输很糟糕，价格合理”这句话不适合单一极性；基于主题的分析将其分解为“产品：积极，运输：消极，价格：积极”。这种区别更加以行动为导向，因为它清楚地表明哪个问题产生满意，哪个问题产生不满意。您可以通过告诉人工智能“将每个评论划分为其主题并为每个主题提供单独的极性”来实现这种深度。
第二个强大的用途是竞争对手基准测试（将您自己的表现与竞争对手进行比较）。如果你将自己品牌的情绪与竞争对手的情绪放在一起，“我们的负面情绪是 30%”这个数字是有道理的：如果行业平均水平是 45%，那么你就做得很好，如果是 15%，那么你就落后了。但是，在收集竞争对手数据时，仅使用公开的合法来源；避免未经授权的数据收集和隐私泄露。标杆管理的目的不是模仿竞争对手，而是结合自身的优势和劣势。在这两种方法中，基本规则保持不变：用真实的例子验证人工智能的分类，并将原因作为假设而不是确定的原因提出。
综上所述
情绪分析衡量社区的脉搏：给出极性、强度和最重要的主题。人工智能每秒可以对数百条评论进行分类，但可能会漏掉讽刺、俚语和复杂的情感。价值将消极情绪与主题联系起来，并将其转化为行动。使用足够的样本，用真实样本验证百分比，假设原因并确认。数字是一个开始；决定权在你。
提示：将情绪分析视为一部连续的电影，而不是一张单张照片。如果您每周用相同的方法重复相同的测量，您将看到趋势（是增加还是减少），这比绝对百分比更有价值。观察活动、产品或危机之后趋势如何变化是比单周百分比更强大的决策输入。
应用任务
收集（或撰写）至少 40 条评论样本。让AI做极性+主题分类总结。手动读取每个极性的 5 个样本，并纠正至少 3 个不正确/有问题的标签。选择最常见的负面主题，生成 3 个具体的行动建议，并写下如何衡量每个建议。
清单
- [ ] 我使用了足够的样本（100+理想）。
- [ ] 我屏蔽了个人数据。
- [ ] 我完成了极性+主题分类。
- [ ] 我阅读了每个班级的示例并验证了标签。
- [ ] 我把讽刺嫌疑人单独标注了。
- [ ] 我最常将负面主题归因于行动。
- [ ] 我提出的原因是作为一个有待验证的假设，而不是一个确定的假设。