Stimmungsanalyse
Stimmungsanalyse (Sentiment-Analyse) nutzt Verarbeitung natürlicher Sprache (NLP) und KI, um den emotionalen Ton eines Textes zu erkennen und ihn zu kennzeichnen, meist als positiv, negativ oder neutral, manchmal mit einem Wert für die Stärke des Gefühls oder einer feineren Kategorie wie frustriert, begeistert oder dringend.
Verstehen Stimmungsanalyse
Stimmungsanalyse entstand ursprünglich bei der Analyse von Produktbewertungen und im Social Media Monitoring, hat aber breite Anwendungsbereiche überall dort, wo das Verständnis des emotionalen Tons relevant ist. Im beruflichen Kontext liefert die Stimmung Dringlichkeitssignale: Eine E-Mail mit frustriertem oder dringendem Ton eines Kunden muss anders behandelt werden als ein Routine-Update. Fortgeschrittene Stimmungsmodelle erfassen mehr als nur positiv/negativ/neutral; sie können gezielt Emotionen wie Frustration, Begeisterung, Dringlichkeit und Verwirrung erkennen sowie Stimmungen zu unterschiedlichen Entitäten innerhalb desselben Textes unterscheiden.
Sentiment bezeichnet die Haltung oder das Gefühl hinter Worten. Positiver Text drückt Zustimmung oder Zufriedenheit aus („Danke, das hat es behoben“). Negativer Text drückt Beschwerde, Enttäuschung oder Ärger aus („Ich frage jetzt zum dritten Mal“). Neutraler Text nennt Fakten, ohne sie zu bewerten („Die Rechnung hängt an“). Die meisten geschäftlichen E-Mails sind neutral, ein neutrales Ergebnis ist also normal und kein Fehler. Manche Systeme kennen zusätzlich „gemischt“ für Texte, die eine Sache loben und eine andere kritisieren.
Es gibt drei gängige Wege, die Stimmung eines Textes zu analysieren. Lexikonbasierte Werkzeuge wie VADER bewerten jedes Wort anhand eines Wörterbuchs positiver und negativer Begriffe und addieren die Werte: schnell und nachvollziehbar, aber leicht von Ironie und Kontext getäuscht. Klassifikatoren aus dem maschinellen Lernen, etwa feinabgestimmte Transformer-Modelle im Stil von BERT, lernen aus annotierten Beispielen und sind in ihrem Trainingsbereich genau. Große Sprachmodelle können die Stimmung nach einer einfachen Anweisung ohne Trainingsdaten einordnen, die Einordnung begründen und indirekte Formulierungen besser verstehen, bei höheren Kosten pro Nachricht. Aspektbasierte Stimmungsanalyse ordnet jedem erwähnten Gegenstand ein eigenes Gefühl zu: „Das Essen war großartig, aber der Service langsam“ ist positiv zum Essen und negativ zum Service.
Stimmungsanalyse wird genutzt, um Markenerwähnungen in sozialen Medien zu beobachten, Produktbewertungen und Umfrageantworten zusammenzufassen, Support-Tickets verärgerter Kunden zu markieren, die Kundenstimmung über die Zeit zu verfolgen und E-Mails zu priorisieren. Schwierig sind Ironie („toll, schon wieder ein Ausfall“), Slang und Fachsprache, sehr kurze Nachrichten und Texte mit gemischten Gefühlen. Tonanalyse ist eng verwandt: Sie beschreibt, wie etwas gesagt wird (förmlich, knapp, entschuldigend, selbstbewusst), nicht nur, ob das Gefühl positiv oder negativ ist.
Wie GAIA verwendet Stimmungsanalyse
GAIA nutzt keinen separaten Stimmungsklassifikator. Sein Sprachmodell liest die ganze E-Mail, daher fließt der Ton in die Einschätzung ein, was Ihre Aufmerksamkeit braucht. Wenn Sie GAIA bitten, Ihre ungelesenen E-Mails nach Dringlichkeit zu sortieren, oder einen Workflow wie „Sag mir Bescheid, wenn ein Kunde in einer E-Mail verärgert klingt“ anlegen, kann eine frustrierte Nachricht eines wichtigen Kontakts weit oben landen, auch wenn der Betreff neutral ist. GAIA gewichtet den Ton zusammen mit Absender, Anliegen und etwaigen Fristen in der Nachricht.
Verwandte Konzepte
Natural Language Processing (NLP)
Natural Language Processing (NLP) ist ein Bereich der künstlichen Intelligenz, der sich darauf konzentriert, Computern das Verstehen, Interpretieren, Generieren und Beantworten von menschlicher Sprache auf sinnvolle Weise zu ermöglichen.
E-Mail-Triage
E-Mail-Triage ist der Prozess, eingehende E-Mails zu überprüfen und sie nach Dringlichkeit, Typ und erforderlicher Aktion zu kategorisieren – also zu bestimmen, was eine sofortige Antwort braucht, was warten kann, was delegiert werden kann und was ohne Antwort archiviert werden kann.
Intent-Erkennung
Intent-Erkennung ist der Prozess, bei dem ein KI-System das zugrundeliegende Ziel oder den Zweck einer Benutzereingabe erkennt. So kann es die passende Antwort oder Aktion auswählen, anstatt nur auf die Oberfläche der Formulierung zu reagieren.
Large Language Model (LLM)
Ein Large Language Model (LLM) ist ein künstliches Intelligenzmodell, das mit riesigen Mengen an Textdaten trainiert wurde und menschliche Sprache bemerkenswert flüssig verstehen, generieren und verarbeiten kann.
