Pagsusuri ng damdamin: libreng online na tool

Limitadong wika

Tumatakbo nang buo sa iyong browser - walang upload, walang sign-up.

Text na susuriin

Pinoproseso ang text mo sa isang browser worker at hindi ito ina-upload. Sa unang pagtakbo lang dina-download ang pampublikong AI model.

Tatlong overall na sentiment label

Negative ay hindi pabor na tono, neutral ay walang malinaw na positibo o negatibong direksyon, at positive ay pabor na tono.

Fine-tuned para sa Arabic, English, French, German, Hindi, Italian, Portuguese, at Spanish; approximate ang ibang wika tulad ng Filipino.

Binuo mula sa mga social post. Maaaring magkamali sa sarcasm, magkahalong damdamin, espesyalisadong wika, at text sa mga wikang hindi sakop ng fine-tuning, pati na sa ibang domain kaysa sa training data.

Ibahagi ang tool na ito

Pagsusuri ng damdamin: ano ito?

Pagsusuri ng damdamin ay pag-uuri ng pangkalahatang tono ng isang text bilang negative, neutral, o positive. Ang tool na ito ay nagpapatakbo ng multilingual na XLM-T model sa loob mismo ng iyong browser gamit ang Transformers.js, at ipinapakita ang score para sa bawat label. Nanatili ang text mo sa iyong device; tanging ang pampublikong model at runtime file lang ang dina-download sa unang pagtakbo.

Paano gamitin

1I-paste ang kapaki-pakinabang na sample. Ilagay ang isang review, komento, mensahe, o social post. Mas nakakatulong sa model ang isang kumpletong pangungusap kaysa isang salita lang.
2Patakbuhin ang lokal na model. I-click ang Pagsuri ng damdamin. Hintaying matapos ang unang pag-download ng model; sa mga susunod na bisita, maaaring magamit muli ito habang available pa ang cache ng browser.
3Basahin ang tatlong score. Gamitin ang nangungunang label bilang malawak na pahiwatig at ihambing ang score nito sa dalawang alternatibo. Kapag magkalapit ang mga score, kailangan ng masinsinang pagbasa ng tao at hindi dapat magdedesisyon nang nakasalalay lang sa model.

Para kanino ito

Support teams na gustong magkaroon ng mabilis na unang basa sa tono ng customer feedback bago suriin nang detalyado ng tao ang buong mensahe.
Product researchers na naghahambing ng pangkalahatang damdamin sa mga sagot sa survey, app review, o interview notes nang hindi ina-upload ang hindi pa nalalathalang text.
Social at community managers na nagche-check ng mga post o komento sa alinman sa walong wikang sakop ng sentiment fine-tuning ng model.
Mga manunulat at editor na gustong subukan kung mas nagbabasa bilang pabor, neutral, o hindi pabor ang isang maikling talata kaysa sa inaasahan nila.

Gumagamit ang sentiment analyser na ito ng Cardiff NLP XLM-T model, isang XLM-R system na sinanay sa humigit-kumulang 198 milyong multilingual na tweet at fine-tuned para sa sentiment sa Arabic, English, French, German, Hindi, Italian, Portuguese, at Spanish. Ang tatlong label na negative, neutral, at positive ay tumutukoy sa hindi pabor na kabuuang tono, walang malinaw na pabor o labag na direksyon, at pabor na kabuuang tono. Hindi nito tinutukoy ang eksaktong emosyon, katotohanan, antas ng pagkaapurado, o tunay na intensyon ng sumulat.

Totoong on-device Transformers.js inference ito, hindi simpleng pagbibilang ng keywords. Sa unang pagsusuri, dina-download ang quantized na ONNX model weights at tokenizer files na may kabuuang humigit-kumulang 297 MB. Isinasagawa ang inference sa isang browser worker para hindi maharang ang pangunahing UI thread. Mas pinipili ang WebGPU kapag available; kung hindi gumana o hindi suportado, babagsak ito sa mas mabagal na WebAssembly CPU backend. Karaniwang kino-cache ng browser ang mga file, ngunit hindi iyon garantisado: maaaring ulit na mag-download kapag nasa private browsing mode, nilinis ang storage, o kapos sa disk space.

Maaari pa ring maglabas ng label ang multilingual na base model para sa Filipino at iba pang wika, ngunit hindi kabilang ang mga ito sa walong wika ng sentiment fine-tuning. Ibig sabihin, approximate lang ang mga resulta sa page na ito para sa Filipino kahit na mukhang tiwala ang score. Tandaan din na sinusuri lang ang unang 1,000 Unicode characters at tinatabas pa ng tokenizer ang input ayon sa window ng model.

FAQ

Ina-upload ba sa server ang text ko?

Hindi. Ipinapasa ang text mo sa isang worker sa loob mismo ng browser at tumatakbo ang model sa iyong device. Dina-download ng worker ang pampublikong Transformers.js runtime at model files mula sa external hosts, ngunit walang kasamang text na ipinapadala sa mga request na iyon. Hindi tumatanggap o nag-iimbak ng sample ang CanDoYa.

Libre ba ang tool sa pagsusuri ng damdamin na ito?

Oo. Walang account, bayad, API key, o quota ng pagsusuri. Ang device mo ang gumagawa ng computation. Ang praktikal na gastos ay ang unang pag-download ng model, lokal na storage sa browser, memory, at oras ng pagproseso. Maaari pa ring maningil ang network provider mo para sa data na ginamit sa pag-download ng model.

Gaano karaming text ang puwede kong suriin?

Maaari kang mag-paste ng karaniwang talata, pero sinusuri lang ng tool ang最多unang 1,000 Unicode characters para panatilihing predictable ang browser inference. Tinatabas din ng tokenizer ng model ang text batay sa laki ng input window nito. Para sa mahahabang dokumento, mas maiging suriin ang magkakaugnay na bahagi isa-isa sa halip na umasa sa isang label bilang buod ng buong dokumento.

Aling mga wika ang sinusuportahan ng sentiment model?

Sakop ng sentiment fine-tuning ang Arabic, English, French, German, Hindi, Italian, Portuguese, at Spanish. Maaaring maglabas ng label ang multilingual na base model para sa ibang wika, ngunit wala itong kaparehong task-specific na training evidence. Hindi kabilang ang Filipino o Tagalog sa walong wikang iyon, kaya itinuturing na approximate ang mga resulta sa page na ito at sa ibang CanDoYa locale na wala sa listahang iyon.

Ano ang ibig sabihin ng negative, neutral, at positive?

Negative kapag nakita ng model na may hindi pabor na kabuuang tono ang text. Neutral kapag wala itong malinaw na pabor o labag na bias. Positive kapag nakakita ito ng pabor na kabuuang tono. Inilalarawan ng mga label na ito ang kabuuang sample na ipinasa mo; hindi sila kategorya ng emosyon at hindi ebidensya ng tunay na paniniwala o intensyon ng sumulat.

Ano ang ibig sabihin ng mga score ng model?

Iniraranggo ng tatlong score ang negative, neutral, at positive para sa ibinigay na input at karaniwang umaabot sa humigit-kumulang 100 percent sa kabuuan. Kapaki-pakinabang ang mga ito para ihambing ang mga label ng model, ngunit hindi sila garantisadong probabilities ng pagiging tama. Maaaring mali pa rin ang mataas na score, lalo na kung ang text ay may sarcasm o negation, gumagamit ng espesyalisadong jargon, o malayo sa domain ng training data nito.

Bakit humigit-kumulang 297 MB ang unang pag-download?

Gumagamit ang tool ng quantized na XLM-R ONNX weights na humigit-kumulang 279 MB at tokenizer data na humigit-kumulang 17 MB. Mas malaki iyon kaysa isang keyword list, ngunit kaya nitong hulihin ang mas kontekstwal na pattern ng wika sa halip na simpleng pagbibilang lang ng positibo at negatibong salita. Karaniwang kino-cache ito ng browser pagkatapos ng unang pagtakbo, ngunit maaaring mawala ang cache sa private browsing mode, paglilinis ng storage, o kakulangan sa disk space.

Gumagana ba ang analyser kahit walang WebGPU?

Oo. Sinusubukan muna ng worker ang WebGPU kapag sinusuportahan ito ng browser at graphics adapter. Kung hindi available ang path na iyon o hindi ito makapag-start, muling susubukan ng tool sa WebAssembly CPU backend. Pareho pa ring model ang ginagamit at nananatiling lokal ang text mo, ngunit mas matagal ang pag-load at inference sa CPU.