Tzv. „tag cloud“, tedy grafické znázornění frekvence slov používaných v tweetech. Druhé nejčastější slovo bylo jméno hráče utkání: Jágr.
Analyzovat náladu v reálném čase není při hokejových zápasech problém. Stačí doma otevřít okno a po každém gólu slyšíte náladu fandícího národa v přímém přenosu. Ale v době internetové se firmy snaží přijít s trochu sofistikovanějšími nástroji pro popsání nálady diváků v reálném čase. Naše redakce dostala k dispozici rychlou analýzu české firmy Geneea, která zkusila popsat náladu během čtvrtfinálového utkání Česko-Finsko.
Nálada reaguje na góly i bitky
Při tzv. analýze sentimentu počítač pracuje se slovy a frázemi, které jsou spojené s emocemi. Protože na Twitteru, který byl předmětem této rychlé analýzy, má hláška maximálně 140 znaků, jsou vyjádření obvykle velmi stručná, a není tedy až tak obtížné určit, zda je výkřik pozitivní, nebo negativní.
Ukázka tweetů a jejich počítačového rozdělení na pozitivní, neutrální nebo negativní.
Češi zatím na Twitteru nejsou zvyklí fandit tolik jako ve světě (a také jich není tolik). Zatímco v roce 2014 padl během fotbalového utkání rekord 580 tisíc tweetů za minutu, v případě hokejového čtvrtfinále byly českých a finských tweetů pouze jednotky tisíc. Přesto lze sestavit grafy nálady, která s mírným zpožděním (chvíli trvá, než na mobilní klávesnici 140 znaků vyťukáte) koreluje s hlavními momenty utkání.
Pohled na průběh nálady v čase během utkání. Je vidět, že nejvíce nálada stoupala po prvním gólu Čechů a pak v závěru, po Jágrově gólu na stav 4:3.
Finové měli podle analýzy Geneea celkově dobrou náladu i koncem utkání. „I přes prohru mnoho fanoušků děkovalo svému týmu,“ říká Petr Hamerník z Geneea. Analýza finských příspěvků v tomto případě probíhala na strojově přeložených textech (finština - angličtina) a je proto mnohem méně spolehlivá.
Analýza úspěšnosti filmů na sociálních sítích s využitím měření citového zabarvení příspěvků (sentiment analysis)
Nebyla detekována ironie, takže např. „Jágr dal gól! To si děláš srandu!“ by zřejmě nebylo rozpoznáno jako pozitivní emoce, přestože kdokoli, kdo zápas sledoval, by to jako pozitivní tweet interpretoval.
V této rychlé analýze se také nebral ohled na to, od koho který tweet je. V pokročilejší analýze je profilu autora každého tweetu věnována důkladná (byť automatizovaná) pozornost. Firma IBM například analyzovala dojmy lidí z ukázky ještě neexistujícího filmu na Twitteru a podle toho se pokusila předpovědět jeho úspěch u různých skupin diváků. K tomu bylo potřeba rozřadit tweetující osoby do různých kategorií a archetypů (fanoušek komiksů, maminka s dětmi, mladý profesionál, středoškolák apod.). Předpověď tak mohla zahrnovat i to, zda má chvála daného autora tweetu skutečnou váhu, tedy např. zda je u něj šance, že si koupí lístek na film, který se mu líbí.
K čemu je analýza tweetů v reálném čase?
Rozbor tweetování fanoušků během hokejového utkání je spíše taková bokovka, která těžko přinese překvapivé závěry. Nejde navíc o složité téma, ani o komerčně využitelné závěry. Ale analýza sentimentu může mít reálné využití: „Umožňuje nám zjistit názor a náladu široké skupiny lidí na libovolné téma ne tím, že se jich zeptáme, ale tím, že jim budeme proaktivně a neustále naslouchat,“ vysvětluje Jiří Hana z firmy Geneea. „Protože dnešní digitální platformy jako Twitter nebo Facebook dávají lidem velké šance něco říct, informací je tolik, že je prakticky nelze zpracovat ručně. Je také třeba si uvědomit, že tento názor je autentický, protože jde o obrovské množství lidí, kteří jsou navíc mnohem otevřenější, než kdyby se jich někdo ptal.“
V praxi se prý dají tyto analýzy využít například v zákaznickém centru. Systém automaticky předem vyčlení z e-mailů nebo vzkazů ty „opravdu naštvané“ a může je odbavit přednostně, nebo je poslat k vyřízení zkušeným operátorům.
Takže to vypadá, že v budoucnu si musíme dát pozor na to, aby naše emoce z textu, který posíláme, byly naprosto jasné. Nebude je totiž posuzovat jen člověk, ale také roboti. A pozor: ne každý robot umí detekovat ironii.
