CanDoYa
PT-PT

Análise de sentimentos grátis no navegador

Funciona inteiramente no navegador - sem carregar nada, sem registo.

Cole feedback, uma crítica ou uma publicação de redes sociais para avaliar o tom.

O seu texto é processado num worker do navegador e nunca é carregado. Na primeira utilização são descarregados os ficheiros públicos do modelo de IA.

Três rótulos globais de sentimento

Negativo significa tom desfavorável, neutro significa ausência de inclinação claramente positiva ou negativa e positivo significa tom favorável.

Afinado para árabe, inglês, francês, alemão, hindi, italiano, português e espanhol.

Treinado a partir de publicações em redes sociais. Sarcasmo, sentimentos mistos, linguagem especializada e texto fora dos idiomas treinados podem ser rotulados de forma incorreta.

Partilhe esta ferramenta

Análise de sentimentos: o que é?

Análise de sentimentos é a tarefa de classificar a atitude global de um texto como negativa, neutra ou positiva. Esta ferramenta executa um modelo multilingue XLM-T diretamente no seu navegador e mostra a pontuação de cada rótulo. O texto fica no seu dispositivo, embora os ficheiros públicos do modelo sejam descarregados na primeira vez que executa uma análise.

Como utilizar

  1. 1Cole uma amostra útil. Introduza uma crítica, comentário, mensagem ou publicação de redes sociais. Uma frase completa dá mais contexto ao modelo do que uma única palavra.
  2. 2Execute o modelo local. Clique em Analisar sentimento. Aguarde que termine o primeiro descarregamento do modelo; se o cache do navegador se mantiver, visitas futuras podem reutilizá-lo.
  3. 3Leia as três pontuações. Use o rótulo principal como sinal geral e compare a respetiva pontuação com as alternativas. Pontuações muito próximas exigem revisão humana, não uma conclusão definitiva.

Para quem é

Este analisador de sentimentos usa o modelo XLM-T da Cardiff NLP, um sistema XLM-R treinado em cerca de 198 milhões de tweets multilingues e afinado para sentimento em árabe, inglês, francês, alemão, hindi, italiano, português e espanhol. Os rótulos de saída significam tom global desfavorável, sem inclinação claramente positiva ou negativa, e tom global favorável. Não identificam emoções específicas, veracidade, urgência nem a intenção de quem escreveu. O afinamento em português baseou-se sobretudo em dados de redes sociais e não foi validado em detalhe para português europeu, por isso os resultados neste idioma devem ser lidos como aproximações, mesmo quando o modelo devolve um rótulo confiante.

Na primeira análise são descarregados pesos quantizados do modelo ONNX e ficheiros do tokenizador, num total de cerca de 297 MB. Um worker no navegador mantém a inferência fora da linha principal da interface. A WebGPU é usada em primeiro lugar quando estiver disponível; o backend de CPU em WebAssembly é o recurso mais lento. Os navegadores normalmente colocam estes ficheiros em cache, mas navegação privada, limpeza de armazenamento ou pouco espaço em disco podem obrigar a novo descarregamento.

Perguntas frequentes

O meu texto é enviado para um servidor?

Não. O texto é enviado para um worker dentro do seu navegador e o modelo é executado no seu dispositivo. O worker descarrega o runtime Transformers.js e os ficheiros públicos do modelo a partir de servidores externos, mas esses pedidos não incluem o texto que colou. A CanDoYa não recebe nem guarda o exemplo.

Esta ferramenta de análise de sentimentos é gratuita?

Sim. Não há conta, pagamento, chave de API nem limite de análises. O trabalho é feito pelo seu dispositivo. Os custos práticos são o primeiro descarregamento do modelo, o armazenamento local no navegador, a memória e o tempo de processamento. O seu fornecedor de rede pode ainda assim cobrar o tráfego usado para descarregar o modelo.

Quanto texto posso analisar?

Pode colar um excerto normal, mas a ferramenta analisa no máximo os primeiros 1 000 caracteres Unicode para manter o comportamento do navegador previsível. O tokenizador do modelo também trunca o texto à sua janela de entrada. Para documentos longos, analise secções coerentes em separado em vez de tratar um único rótulo global como resumo do documento.

Que idiomas o modelo de sentimento suporta?

O afinamento para sentimento abrangeu árabe, inglês, francês, alemão, hindi, italiano, português e espanhol. O modelo multilingue de base pode devolver rótulos para outros idiomas, mas esses resultados não têm o mesmo suporte de treino específico para a tarefa. Mesmo dentro do português, o modelo não foi ajustado de forma dedicada ao português europeu, por isso os resultados nesta página devem ser vistos como aproximações.

O que significam negativo, neutro e positivo?

Negativo significa que o modelo detetou um tom global desfavorável. Neutro significa que não encontrou uma inclinação claramente positiva ou negativa. Positivo significa que encontrou um tom global favorável. Estes rótulos descrevem o excerto completo enviado; não são categorias de emoção e não provam aquilo em que a pessoa que escreveu acredita ou o que pretende.

O que significam as pontuações do modelo?

As três pontuações ordenam negativo, neutro e positivo para este texto e normalmente somam cerca de 100 por cento. São úteis para comparar os rótulos entre si, mas não são probabilidades garantidas de estarem corretos nem valores calibrados. Uma pontuação elevada pode estar errada, sobretudo quando o texto foge ao domínio de treino, por exemplo em sarcasmo, jargão técnico ou novos tópicos.

Porque é que o primeiro descarregamento ocupa cerca de 297 MB?

A ferramenta usa pesos ONNX quantizados de um modelo XLM-R com cerca de 279 MB e dados de tokenizador com cerca de 17 MB. É muito maior do que uma lista de palavras, mas captura padrões linguísticos contextuais em vez de apenas contar palavras positivas e negativas. O navegador normalmente guarda estes ficheiros em cache após a primeira utilização, embora isso não seja garantido.

O analisador funciona sem WebGPU?

Sim. O worker tenta usar primeiro a WebGPU quando o navegador e o adaptador gráfico a suportam. Se essa via não estiver disponível ou falhar ao iniciar, a ferramenta volta a tentar com o backend de CPU em WebAssembly. A análise em CPU usa o mesmo modelo e mantém o texto local, mas o carregamento e a inferência podem demorar mais.