Czyli mały eksperyment na bazie dyskusji o Renault Megane
Kilka dni temu podzieliłam się krótką historią o moim Renault Megane, które postanowiło zakończyć karierę przy dość skromnym przebiegu i 23 latach wiernej służby.
Pod postem na Facebooku wywiązała się żywa dyskusja – były żarty, rady techniczne, wymiana doświadczeń, a nawet odrobina nostalgii.
I wtedy pomyślałam:
„A co by było, gdyby AI spróbowała odczytać emocje z naszych komentarzy?”
W końcu analiza emocji (ang. sentiment analysis) to jeden z bardziej rozpoznawalnych elementów współczesnego NLP – wykorzystywana jest w marketingu, recenzjach produktów, obsłudze klienta, a nawet w analizie debat publicznych.
A my tu mamy realne, naturalne, codzienne komentarze – idealny materiał testowy.
Dlatego wrzuciłam kilka komentarzy do narzędzia Emotagger stworzonego przez CLARIN-PL.
To prosty interfejs, który klasyfikuje tekst według modelu emocji Plutchika (radość, smutek, strach, zaskoczenie, itd.).
Wyniki były… momentami trafne, momentami absurdalne.
I dlatego tak ciekawe.
🟡 1. Gdy AI trafia w punkt
„Moje Renault Megane Coupe pewnie jeszcze śmiga… Świetnie się nim jeździło. Szkoda, że przestali produkować meganki.”
Wynik: Joy + Sadness + Anticipation
Tutaj muszę przyznać: AI spisała się świetnie.
To faktycznie mieszanka:
- nostalgii („świetnie się jeździło”),
- lekkiej radości („pewnie jeszcze śmiga”),
- i smutku („szkoda, że…”).
Model idealnie wyłapał, że emocje są mieszane.
To jeden z komentarzy, które dobrze zachowują się w klasycznych modelach NLP: dłuższy, wielozdaniowy, bez slangu, bez emotek.
🔵 2. Gdy AI prawie trafia, ale… trochę dramatyzuje
„Z takim starym autem ciągle się coś dzieje. Wymienię silnik, a za pół roku może paść skrzynia…”
Wynik: Sadness + Anticipation + Fear
Smutek? Tak.
Przewidywanie przyszłych problemów? Tak.
Ale Fear ≈ 1.0? 😅
Model potraktował zwykłą obawę jako „strach przed nadchodzącą katastrofą”.
To typowy przykład, jak klasyczne narzędzia słownikowe interpretują emocje zbyt dosłownie:
- widzą „obawiam się” → Fear,
- widzą „może paść” → także Fear,
- ignorują ton wypowiedzi i kontekst.
🟢 3. Gdy AI się nie myli
„Dobre wieści! Renault ma nowego właściciela. Trzymam kciuki, żeby miał rację!”
Wynik: Joy + Anticipation
To kolejny przypadek, gdzie klasyfikacja jest bardzo sensowna.
Ton wypowiedzi jest jasny:
- pozytywny,
- pełen nadziei,
- z lekkim entuzjazmem.
Takie komentarze AI potrafi klasyfikować całkiem dobrze.
🔴 4. Gdy AI kompletnie zawodzi
„Ładnie to ujęłaś 😁”
Ten komentarz jest krótki, miły i pozytywny.
A AI zobaczyła w nim… Fear, Sadness i Anger.
Dlaczego?
👉 narzędzie nie potrafi odczytać emoji,
👉 dlatego zastąpiło 😁 zwykłym znakiem zapytania „?”,
👉 a potem potraktowało ten „?” jako sygnał niepokoju,
👉 co automatycznie podniosło ocenę Fear i Anger.
To świetny przykład ograniczeń klasycznego NLP:
- nie rozumie tonu,
- nie widzi uśmiechu w emotce,
- nie wykrywa żartu,
- nie rozpoznaje ironii.
W świecie, w którym jedna emotka często znaczy więcej niż całe zdanie, to jest problem praktyczny.
🟣 5. Gdy AI kompletnie ignoruje humor (i niuanse tonu)
„Jak zachechła, będzie zdjęcie. Jak nie, to dobre geny ma Renatka i da części do przeszczepów.”
Ten komentarz jest utrzymany w typowym, żartobliwym stylu — lekki, ciepły, podszyty ironią.
I faktycznie: jest w nim pewna nadzieja, choć bardzo specyficzna.
Samo słowo „zachechła” wskazuje, że chodzi bardziej o ruszenie „na ostatnim tchu”, z minimalną szansą powodzenia, a nie o pełny powrót auta do życia.
Człowiek bez trudu odczytuje tu:
- żart,
- lekką ironię,
- „minimalną nadzieję”,
- emocję wyrażoną półżartem: „może coś z tego będzie”.
A co widzi AI?
👉 Positive | Anticipation
Model:
- poprawnie wykrył samą emocję nadziei (anticipation),
- ale w ogóle nie rozpoznał humoru,
- potraktował tekst literalnie, jak zwykłą konstrukcję warunkową „jeśli… to…”.
To świetny przykład ograniczeń klasycznych modeli opartych na słownikach i prostych embeddingach:
AI rozpoznaje emocję zakodowaną w słowach,
ale nie widzi tonu, stylu ani żartobliwej intencji.
Widzi co zostało powiedziane,
ale nie w jaki sposób.
🧠 Dlaczego ChatGPT rozumiałby ten żart, a Emotagger nie?
Warto zaznaczyć, że oba systemy są formami AI, ale należą do zupełnie różnych generacji technologii.
ChatGPT (AI generatywna, modele językowe LLM):
- analizuje kontekst i ton wypowiedzi,
- wychwytuje humor, ironię i kolokwializmy,
- rozumie intencję wynikającą z całego akapitu,
- potrafi interpretować neologizmy typu „zachechła”.
Emotagger (AI oparta na klasycznych metodach NLP):
- korzysta z słowników emocji i statystycznych reguł,
- ocenia słowa i ich „emocjonalne wagi”,
- nie uwzględnia tonu i stylu wypowiedzi,
- interpretując tekst bardzo literalnie.
Dlatego:
- emocję „anticipation” rozpoznaje poprawnie,
- ale żartobliwy ton i potoczne słowa pozostają dla niego niewidoczne.
To nie błąd — to charakterystyka klasycznej (niegeneratywnej) AI.
🔍 Czy Emotagger i podobne narzędzia są jeszcze używane?
Tak – i to częściej, niż mogłoby się wydawać.
Choć dziś większość osób kojarzy analizę emocji z ChatGPT czy Gemini, narzędzia oparte na klasycznych metodach NLP wciąż mają ważne zastosowania, zwłaszcza tam, gdzie liczy się:
- powtarzalność i stabilność wyników,
- jednolite kryteria oceny,
- przetwarzanie ogromnych zbiorów danych,
- działanie offline (bez wysyłania treści do chmury),
- pełna transparentność tego, jak model podejmuje decyzje.
Dlatego Emotagger i podobne systemy są nadal używane:
- w dużych projektach korpusowych,
- w badaniach akademickich i porównawczych,
- w instytucjach publicznych (gdzie nie można korzystać z chmurowych LLM),
- w analizie prasy, debat sejmowych czy konsultacji społecznych,
- w projektach, gdzie trzeba przeanalizować miliony dokumentów.
LLM-y świetnie radzą sobie z niuansami językowymi, ale są probabilistyczne i „twórcze”, co w badaniach bywa problemem.
Narzędzia klasyczne — choć prostsze – są w pełni powtarzalne.
💰 A co z kosztami? Dlaczego klasyczne podejście wciąż jest opłacalne?
To właśnie koszty są jednym z najważniejszych powodów, dla których narzędzia takie jak Emotagger nadal mają swoje miejsce.
Klasyczne modele (słownikowe/statystyczne):
- nie wymagają mocy obliczeniowej GPU,
- działają na zwykłym serwerze lub nawet laptopie,
- analizują ogromne zbiory danych praktycznie „za darmo”,
- nie pobierają opłat za tokeny,
- nie wymagają subskrypcji.
Przykład praktyczny:
👉 przeanalizowanie 10 milionów artykułów prasowych słownikowym narzędziem może kosztować 0 zł poza czasem obliczeń,
👉 a zrobienie tego samego przez API GPT-4 mogłoby kosztować… dziesiątki tysięcy złotych.
Z kolei LLM-y są najlepsze wtedy, gdy:
- ważna jest interpretacja kontekstu,
- trzeba wykryć ironię, humor, intencję, ton wypowiedzi,
- analizuje się niewielkie zbiory danych (komentarze, posty, rozmowy).
Czyli w praktyce:
- Badacze dużych korpusów → używają Emotaggera i podobnych narzędzi.
- Użytkownicy indywidualni i marketing → częściej korzystają z ChatGPT.
- Instytucje z restrykcyjnym RODO → klasyczne, lokalne narzędzia.
- Projekty wymagające interpretacji → LLM.
Obie technologie są sensowne – tylko w innych rolach.
I choć modele generatywne radzą sobie z emocjami w sposób bardziej „ludzki”, wciąż nie zawsze można ich użyć – i tu wracamy do kwestii dostępności tradycyjnych narzędzi, takich jak Emotagger.
⚠️ Czy każdy może to przetestować u siebie?
I tu ciekawostka – niekoniecznie.
Choć Emotagger wygląda na ogólnodostępny, w praktyce:
- nie działa poprawnie przy logowaniu przez prywatny e-mail (np. Gmail),
- nie wysyła kodów weryfikacyjnych,
- u mnie zadziałało dopiero logowanie przez uczelnię (PCz),
- wygląda na to, że wiele funkcji CLARIN-PL zostało przeniesionych za logowanie akademickie.
Kiedyś istniała publiczna wersja demo:
https://clarin-pl.eu/tools/sentyment
– i to właśnie tam robiłam wcześniejsze analizy.
Dziś strona zwraca błąd 404.
Szkoda, bo takie „małe narzędzia badawcze” były świetne dla studentów i pasjonatów języka.
📌 Podsumowanie: Czy AI rozpoznaje nasze emocje?
Czasami tak. Czasami kompletnie nie.
Ale właśnie dlatego ta zabawa jest ciekawa.
Zwłaszcza gdy modele:
- klasyfikują żart jako strach,
- widzą gniew tam, gdzie był uśmiech,
- mieszają emocje z sentymentem,
- mylą ironiczny ton z dosłownym.
Tak wygląda analiza emocji w klasycznym NLP –
trochę trafień, trochę zabawnych pomyłek i dużo miejsca na refleksję.
Dla mnie najciekawsze jest to, jak różnie AI może czytać nasze emocje – i jak bardzo przypomina to rozmowę z kimś, kto zna literalne znaczenie słów, ale nie zawsze wyczuwa ton.
Dodaj komentarz