TL;DR
7 min leestijdSentimentanalyse deelt tekst in als positief, negatief of neutraal ten opzichte van het onderwerp, met een lexicon, een klassiek machinelearningmodel of een transformer. Het getal dat eruit komt, is maar zo goed als de omgang met sarcasme, ontkenning, gemengde meningen en vakjargon, en Reddit breekt alle vier tegelijk.
Wat is sentimentanalyse?
In natuurlijke taalverwerking is sentimentanalyse de taak om een stuk tekst in te delen als positief, negatief of neutraal ten opzichte van het onderwerp. Een model leest één teksteenheid, een productreview of een Reddit-reactie, en geeft een van die drie labels terug met een betrouwbaarheidswaarde erbij. Teams laten het op duizenden vermeldingen los om ongelezen tekst om te zetten in een lijn in een grafiek.
De teksteenheid bepaalt wat het label betekent. Geef een hele review een score en je begraaft de zin die de onboarding prees. Geef elke zin een score en je krijgt een document met negen labels en geen samenvatting. Leg de eenheid vast voordat je twee tools vergelijkt, want hetzelfde corpus, gescoord op twee niveaus van detail, levert twee verschillende beelden op.
Waarom voegen sommige tools een vierde klasse "gemengd" toe?
Een vierde klasse "gemengd" bestaat omdat een model met drie klassen een enthousiaste bijzin en een woedende bijzin moet uitmiddelen tot "neutraal", wat de tekst verkeerd weergeeft. "De editor is snel en de synchronisatie is kapot" bevat een sterke mening in beide richtingen, en neutraal meldt dat er niets gebeurt terwijl er twee dingen gebeuren.
Tools met een klasse gemengd scheiden "geen mening geuit" van "meningen die twee kanten op wijzen". Open je dashboard en zoek uit welke van de twee in je bak neutraal zit, want het antwoord verandert elk getal dat erop volgt.
Wat zijn de drie technische aanpakken van sentimentanalyse?
Drie families van methoden overheersen: scoren met een lexicon, klassieke machine learning op bag-of-words-kenmerken, en transformermodellen die elk token in de context van de hele zin lezen.
| Aanpak | Hoe het beslist | Wat het je kost |
|---|---|---|
| Lexicon (VADER, SentiWordNet) | Telt polariteitsgewichten van bekende woorden op en past daarna handgeschreven regels toe voor ontkenning, versterkers, emoji en hoofdletters | Geen trainingsdata en volledige transparantie, maar woordvolgorde buiten de regels ziet het niet, en elk nieuw domein vraagt handmatig bijstellen |
| Klassieke machine learning (naive Bayes, logistische regressie, lineaire SVM) | Leert gewichten van kenmerken uit gelabelde voorbeelden en scoort aantallen woorden en n-grammen | Traint op een laptop en draait snel, maar de nauwkeurigheid daalt als het domein afwijkt van het trainingscorpus |
| Transformer (BERT, RoBERTa, instruction-tuned LLM's) | Codeert elk token ten opzichte van elk ander token, zodat de reikwijdte van ontkenning en verwijzingen over lange afstand overeind blijven | Kan de moeilijke zinnen aan, ten koste van GPU-tijd, latentie en een beslissing die je niet regel voor regel kunt inspecteren |
Kies op basis van je beperkingen, niet van prestige. Een lexicon geeft je in een middag een basislijn en een regel waarnaar je kunt wijzen als een label wordt betwist. Stap over op een fijngestelde transformer zodra je een paar duizend voorbeelden in je eigen vocabulaire hebt gelabeld.

Wat is aspectgerichte sentimentanalyse?
Aspectgerichte sentimentanalyse geeft elk kenmerk dat in de tekst wordt genoemd een eigen label, in plaats van één label voor de hele passage. "De installatie duurde tien minuten, maar support deed negen dagen over een antwoord" wordt positief op onboarding en negatief op support. Het model doet twee taken na elkaar: de aspecttermen eruit halen, en daarna de mening bij elk ervan indelen.
Dit is de versie die een roadmap verandert. Een score op documentniveau meldt dat maart negatief was. Een score op aspectniveau meldt dat facturatie maart bepaalde terwijl het product stabiel bleef. Combineer het met emotieanalyse als de reactie ertoe doet, want een boze negatieve en een teleurgestelde negatieve vragen om verschillende antwoorden.
Hoe bereken je een netto sentimentscore?
Een netto sentimentscore perst een set gelabelde vermeldingen samen tot één getal tussen -100 en +100, door negatieve van positieve af te trekken en te delen door het totaal aantal ingedeelde vermeldingen.
Netto sentimentscore = (positieve vermeldingen - negatieve vermeldingen) / totaal ingedeelde vermeldingen x 100
Werk een voorbeeld uit. Een maand levert 1.000 ingedeelde vermeldingen op: 380 positief, 220 negatief, 400 neutraal.
(380 - 220) / 1.000 x 100 = +16
Neutrale vermeldingen zitten in die noemer en trekken het resultaat richting nul bij elk corpus waarin de meeste tekst geen mening bevat. Laat ze weg en dezelfde data levert (380 - 220) / 600 x 100 = +26,7 op. Publiceer de noemer naast het getal, anders betekent je trendlijn niets meer zodra je van tool wisselt. Leg die keuze vast voordat je een doel stelt: zie netto sentimentscore.
Waar gaat sentimentanalyse stuk?
Vier faalwijzen verklaren de meeste verkeerde labels, en elk heeft een vorm die je in je eigen data kunt herkennen.
RedReplier
Aan de slag
Reddit, X, Bluesky en HN
Realtime meldingen op intentie
Onbeperkt AI-antwoorden
Gerangschikt op koopintentie
| Faalwijze | Voorbeeldzin | Teruggegeven label | Wat de schrijver bedoelde |
|---|---|---|---|
| Sarcasme | "Geweldig, weer een prijswijziging. Heerlijk voor ons." | Positief | Negatief |
| Ontkenning en de reikwijdte ervan | "Ik zou dit niet de slechtste tool noemen die ik heb gebruikt." | Negatief | Licht positief |
| Gemengde mening in één zin | "De API is uitstekend en de facturatiesupport is een ramp." | Neutraal | Positief over de API, negatief over facturatie |
| Vakjargon dat de polariteit omdraait | "Deze scraper is echt ziek, hij heeft in maanden geen job laten vallen." | Negatief | Positief |
Reddit breekt alle vier in dezelfde thread. Reacties draaien op sarcasme, subreddits bouwen een vocabulaire waarin "insane" en "filthy" een tool prijzen, en een lange reactie prijst het ene product in de tweede alinea terwijl hij een ander in de vierde afbreekt. Neem met de hand een steekproef van honderd vermeldingen, vergelijk ze met de uitvoer van het model en tel hoeveel van de vier faalwijzen je tegenkomt. Dat aantal is je echte foutpercentage, en het is specifiek voor jouw corpus.

Hoe nauwkeurig is sentimentanalyse?
Eén nauwkeurigheidspercentage verbergt het getal waar het je om gaat, want de klasse neutraal overheerst in de meeste corpora en een model dat op alles "neutraal" antwoordt, scoort goed op nauwkeurigheid terwijl het nul klachten vangt. De gedeelde taken voor sentiment van SemEval scoren inzendingen om precies die reden op macrogemiddelden over de drie klassen.
Rapporteer precision en recall voor alleen de klasse negatief. Precision vertelt je hoeveel gemarkeerde klachten echte klachten waren, recall hoeveel echte klachten je ving, en de twee bewegen tegen elkaar in als je de beslisdrempel verschuift. Bepaal welke fout meer pijn doet voordat je iets bijstelt; daar draait de afweging tussen precision en recall om. Heb je één getal nodig in plaats van twee, dan combineert de F1-score ze op de drempel waarop geen van beide wordt bevoordeeld.
Nog twee grenzen horen in een eerlijk antwoord. Menselijke annotatoren zijn het bij dubbelzinnige tekst onderling oneens, en dat begrenst de overeenstemming die elk model met hen kan bereiken. En een model dat op filmrecensies is getraind, scoort je supporttickets slecht, omdat de woordenschat van klachten met het domein meeschuift.
Hoe moet een team sentimentanalyse gebruiken bij social listening?
Gebruik sentiment als filter en trendlijn, nooit als oordeel over één vermelding. Opgeteld over een maand overleeft de richting losse verkeerde labels. Toegepast op één reactie voor een openbaar antwoord kost een verkeerd label je dat antwoord. Laat alles waarop je wilt handelen door een mens lezen, en dat is het verschil tussen een werkend social listening-programma en een dashboard dat niemand vertrouwt.
De combinatie in rapportages die het bouwen waard is, is sentiment tegenover volume. Een merk kan share of voice winnen terwijl het netto sentiment daalt, en die combinatie leest als een probleem dat zich verspreidt, niet als een campagne die werkt.
RedReplier volgt Reddit, X, Bluesky, Facebook en Hacker News op één plek, rangschikt de vermeldingen die het vindt op koopintentie en legt met AI uit waarom elke vermelding is gemarkeerd, zodat je de redenering leest in plaats van een kaal label te vertrouwen. De werkwijze die het hiervoor ondersteunt, staat beschreven onder sentimentanalyse van social media.
Veelgestelde vragen
Wat zijn de drie klassen in de uitvoer van sentimentanalyse?
Positief, negatief en neutraal, toegekend aan een stuk tekst ten opzichte van het onderwerp. Positief en negatief markeren een geuite mening in elke richting, en neutraal markeert tekst zonder mening, zoals een feitelijke uitspraak. Sommige tools voegen een vierde klasse gemengd toe voor tekst met een mening in beide richtingen tegelijk.
Is sentimentanalyse hetzelfde als emotieanalyse?
Nee. Sentimentanalyse plaatst tekst op een polariteitsas van negatief naar positief. Emotieanalyse kent benoemde toestanden toe, zoals woede, vreugde, angst of verdriet, die niet op één as geordend zijn. Twee vermeldingen kunnen allebei negatief scoren terwijl de een woedend is en de ander berustend, en die twee vragen om verschillende reacties.
Kan sentimentanalyse sarcasme herkennen?
Slecht. Sarcasme draait de polariteit om via toon en gedeelde context die de woorden zelf niet dragen, dus een lexicon leest "Geweldig, weer een prijswijziging" als lof. Transformermodellen die zijn fijngesteld op sarcastische tekst vangen er meer van dan lexicons, en geen van beide vangt het betrouwbaar. Neem met de hand een steekproef uit je eigen data om te zien hoeveel sarcasme erin zit.
Wat is een goede netto sentimentscore?
Er is geen universele drempel, omdat het getal verschuift met je keuze voor de noemer, je teksteenheid en de neiging van je model naar neutraal. Lees het als trend ten opzichte van je eigen basislijn. Een score die in een maand 12 punten daalde, is een signaal; een score van +16 op zichzelf is een getal zonder context.
Heb ik gelabelde data nodig om sentimentanalyse te draaien?
Niet voor een lexicon of een algemene transformer, die allebei direct op ongelabelde tekst draaien. Je hebt gelabelde data nodig om te meten of een van beide op jouw corpus werkt, en een paar honderd met de hand gelabelde voorbeelden beantwoorden die vraag. Je hebt er een paar duizend nodig om een model op je eigen domein fijn te stellen.
Waarom labelt mijn dashboard de meeste vermeldingen als neutraal?
De meeste tekst op sociale platforms geeft geen mening over welk merk dan ook, dus een hoog aandeel neutraal weerspiegelt het corpus, niet een kapot model. Check of je tool gemengde meningen in dezelfde bak stopt, want dat verbergt echte klachten op een plek waar niemand kijkt. Lees de stapel neutraal één keer met de hand om te zien welke verklaring geldt.
Moet je sentiment per zin of per heel document scoren?
De teksteenheid verandert wat het label rapporteert. Een score voor een hele review begraaft de zin die de onboarding prees, terwijl een score per zin negen labels oplevert en geen samenvatting. Kies één eenheid voordat je twee tools vergelijkt, want hetzelfde corpus, gescoord op twee niveaus van detail, geeft twee verschillende resultaten.
RedReplier
Aan de slag
Reddit, X, Bluesky en HN
Realtime meldingen op intentie
Onbeperkt AI-antwoorden
Gerangschikt op koopintentie
Wat is het verschil tussen precision en recall bij sentimentanalyse?
Precision meet hoeveel van de vermeldingen die als negatief zijn gemarkeerd echte klachten waren. Recall meet hoeveel van de echte klachten in je data werden gevangen. De twee bewegen tegen elkaar in als je de beslisdrempel verschuift, dus zoek uit welke fout je meer kost voordat je iets bijstelt.
Hoeveel vermeldingen moet je als steekproef nemen om de nauwkeurigheid van een sentimenttool te checken?
Neem met de hand een steekproef van honderd vermeldingen en vergelijk elk ervan met wat het model teruggaf. Tel hoeveel er struikelen over sarcasme, ontkenning, gemengde meningen of vakjargon. Die telling is je echte foutpercentage, en die hoort bij jouw corpus, niet bij een gepubliceerde benchmark.
Waarom combineer je netto sentiment met volume in plaats van het los te rapporteren?
Een merk kan share of voice winnen terwijl de netto sentimentscore daalt, en die combinatie betekent dat een probleem zich verspreidt, niet dat een campagne werkt. Sentiment op zichzelf zegt niet of meer of minder mensen praten. Sentiment en volume samen rapporteren maakt van een dashboard iets wat een team echt kan vertrouwen.
Zie ons vaker in Google
Met één klik markeer je RedReplier als voorkeursbron, zodat onze artikelen hoger staan in je Topverhalen, AI-modus en AI-overzichten.
Voordat je gaat...
RedReplier
Vang elke koper die vraagt om wat jij verkoopt
RedReplier houdt Reddit, X, Bluesky en Hacker News in realtime in de gaten, rangschikt elke thread op koopintentie en schrijft een concept voor je antwoord, zodat jij er als eerste bij bent.
Reddit, X, Bluesky en HN
Realtime meldingen op intentie
Onbeperkt AI-antwoorden
Gerangschikt op koopintentie
Gerelateerde artikelen


Geverifieerde social listening-statistieken, en wat elk ervan meet
Controleerbare social listening-statistieken over steekproefdekking, sentimentnauwkeurigheid, aandeel bots en wie er echt post, elk met uitgever, jaar en steekproef erbij.


Een werkbare definitie van social listening en wat het je echt vertelt
Een heldere definitie van social listening: wat het verzamelt, waarvandaan, hoe je de query opbouwt met Booleaanse operators en hoe het verschilt van monitoring.


Jakob Nielsen publiceerde de 90-9-1-regel in 2006, en het bewijs sindsdien is mager
Jakob Nielsen publiceerde de 90-9-1-regel in 2006: 90% van een online community leest alleen mee, 9% draagt soms bij, 1% schrijft bijna alles. Hoe goed klopt dat nog?

