情感分析被視為解開顧客回饋秘密的一把鑰匙，然而過時的方法卻只讓我們獲得了淺顯的見解和簡化的圖表。隨著先進語言模型的崛起，我們能夠擺脫這些限制，革新我們對顧客情感的理解，揭露驅動意見的脈絡、情緒與意圖。

從義大利旗到波浪線：情感分析的故事

情感分析已存在許久。大多數公司利用某種版本來分析大量的文本資料，例如社交媒體貼文、調查問卷回覆或網站評論。

通常，每段文本被歸類為「正面」、「負面」或「中立」。結果常以水平圖表的方式展示，綠、白、紅三色條紋代表正面、中立和負面評論的比例，形成經典的「義大利國旗」情感顯示。如果你的機構曾使用過類似的展示，或許你曾感受到它的魅力，但也體會到其價值有限。

另一常見方法是以時間為軸，標示出正面和負面情感的百分比，產生兩條波浪線，雖然視覺上有趣，但卻少有實際行動上的價值。早期，有些公司甚至嘗試創建「情感淨推薦值」，以正面評論百分比減去負面評論百分比，結果又是另一條波浪線和另一個有限度的量測指標。

儘管有這些缺點，情感分析並非全然無效。其真正潛力在於超越簡單的正負百分比，這類數據往往過於波動，難以提供有意義的見解。

情感分類可以作為深入分析的起點。例如：

  • 正面情感的人群在討論哪些話題？
  • 這些話題與負面提及的有何不同？

一些視覺化技術如蝴蝶圖，可以對比正面和負面提及的內容，突出可行的見解以改善客戶體驗。

這種情景可能很熟悉。十五年來，從開放性評論中提取有價值行銷見解的承諾令人感到興奮，但其實際價值卻一直受到限制。

好消息是，語言模型的最新進展使得我們能以全新且令人興奮的方式重新審視情感分析。透過這些現代工具，我們可以挖掘出顧客對我們產品和服務看法背後的驅動力。

傳統情感分析的限制

在探索現代語言模型提供的新功能之前，我們需要了解傳統情感分析的局限性。若不認識這些缺點，我們可能在使用新技術時重蹈覆轍。傳統情感分析的三個主要限制是：

缺乏脈絡

傳統情感分析通常以文本片段運作，往往不考慮準確解讀意義所需的脈絡。例如：「你們真令人難以置信。」

沒有脈絡，這句話的情感可能是正面或負面。如果該人對你的服務評價為1/5，那麼這可能是負面的。如果是5/5，則可能是正面的。脈絡至關重要，而傳統情感分析很少考慮到它。

中立類別中的模糊性

正面和負面情感百分比之所以波動的其中一個原因是中立類別，常常將兩個截然不同的群體結合在一起：

  • 真正中立的評論。
  • 不能被分類的評論。

這些群體應該被分開對待，但傳統系統未能區分二者。由於處理此問題的複雜性，許多供應商避免解決這個問題，使得這種模糊性依然存在。

簡化人類表達

將文本分類為正面或負面這種方式過於簡化了人類語言的複雜性。一則評論可以有多重目的或表達相互矛盾的情緒，這使得二元分類方法不夠充分。這個限制迫使我們經常依賴中立類別，進一步減少分析的準確性和價值。

了解這些限制對於構建避免傳統情感分析陷阱的更佳系統至關重要。

現代語言模型如何改變遊戲規則

現代語言模型可以革新情感分析，前提是我們能避免重蹈傳統方法的覆轍。利用現代大型語言模型(LLM)來創建一個情感分析系統並不難，但它仍會遭遇相同的局限性。

例如，考慮以下提示：

  • 「請將以下陳述分類為正面、負面或中立。僅給出單字類別：『你們真令人難以置信。』」

使用Gemini 1.5，其回應是：

  • 「負面。」

即使這個情感分析系統由LLM驅動，其輸出仍如傳統方法一樣有限。只是更易於實施而已。

要真正利用其潛力，我們必須承認傳統情感分析的限制並追求更先進的解決方案。目前的模型可以透過以下方式解決這些挑戰：

  • 包含脈絡： 情感分析應融入脈絡資訊，如滿意度評分、先前互動或其他相關數據，而非僅分析孤立的文本片段。
  • 採用更精細的分類方案： 超越基本的正面、負面和中立標籤，以囊括挫折、讚美、感激或諷刺等類別，這些類別有助於提升客戶體驗。
  • 關注目的，不僅是情緒： 分析陳述背後的意圖或語氣，如描述性、諷刺性、不確定性或資訊性。理解這些細微差別能帶來更深刻的見解。

一波新的情感分析正逐步興起，超越過時的「義大利國旗」視覺化。透過有效使用現代工具，我們可以確保情感分析提供可行的、與業務相關的洞察。