En artikkel om bedriften din slippes på nett. Var den positiv eller negativ? Spør tre ulike personer i kommunikasjonsavdelingen, og du får tre litt ulike svar. Sentimentanalyse er forsøket på å gjøre det subjektive målbart: kategorisere medieomtaler som positive, negative eller nøytrale, slik at du kan rapportere på det over tid.
Hva er sentimentanalyse?
Sentimentanalyse er prosessen med å vurdere holdningen i en tekst. I medieovervåkingssammenheng tildeles hver omtale en klassifisering: positiv, negativ eller nøytral. Noen verktøy bruker en glidende skala (-1 til +1), andre bruker tre eller fem nivåer. Resultatet aggregeres over tid og gir deg en sentimenttrend.
Hvordan gjøres sentimentanalyse?
Det finnes tre hovedmetoder, og forskjellen er stor i både kvalitet og pris.
Metoder for sentimentanalyse:
- Manuell tagging: Et menneske leser hver artikkel og setter sentiment. Mest presist, men dyrt og lite skalerbart.
- Regelbasert: Algoritmen leter etter positive og negative ord på en liste. Raskt og billig, men dårlig på ironi, kontekst og nyanser.
- AI-basert: Moderne språkmodeller forstår kontekst og setninger. Best balanse mellom presisjon og skalering, men avhengig av at modellen er trent på norsk.
En regelbasert algoritme ser ordet «katastrofe» og dømmer artikkelen som negativ. Men hvis setningen er «produktet er en katastrofe for konkurrentene», er den faktisk positiv for deg.
Hvor presist er det egentlig?
Den ærlige sannheten: det varierer mye. På norske tekster ligger AI-baserte sentimentmodeller typisk på 75-90 prosent presisjon, avhengig av sjanger. Faktatunge nyhetsartikler er enklest. Kommentarer, ironiske ledere og kortere sosiale medier-poster er vanskeligst.
For norske brukere er det ekstra viktig at modellen er trent på norsk og forstår både bokmål og nynorsk, samt nyanser i norsk språkbruk. Engelske modeller oversatt til norsk gir ofte dårligere resultater.
Slik bruker du sentimentanalyse fornuftig
Det viktigste er å ikke stirre seg blind på enkeltartikler. Sentimentanalyse er statistikk, ikke fasit. Du bruker den til å se trender og oppdage avvik, ikke til å fordele skyld i én enkelt sak.
Praktiske bruksområder:
- Trendovervåking: Hvordan utvikler sentimentet seg over tid? Faller det? Stiger det?
- Krisedeteksjon: Plutselig spike i negativt sentiment kan varsle om en krise før den eskalerer.
- Kampanjeevaluering: Endret sentiment seg under og etter en kampanje?
- Sammenligning: Hvordan ligger ditt sentiment vs. konkurrentenes? Sentiment kombinert med Share of Voice gir et komplett bilde.
- Tematisk analyse: Hvilke temaer driver positivt sentiment? Hvilke driver negativt? Bruk det til å justere kommunikasjonen.
Eksempel: sentimentdrevet justering
Situasjon: En mellomstor norsk kommune lanserte en plan for tettere boligbebyggelse i sentrum. Sentimentanalysen viste at over 60 prosent av omtalene var negative i de to første ukene.
Innsikt: Da kommunikasjonsteamet gjennomgikk de negative omtalene, så de at hovedklagen ikke var fortettingen i seg selv, men opplevd mangel på medvirkning.
Justering: Kommunen lanserte en serie åpne folkemøter og publiserte en pressemelding om innspillsprosessen.
Resultat: Etter fire uker var negativt sentiment redusert til 30 prosent, og positiv omtale doblet.
Vanlige fallgruver
Den største feilen er å overse konteksten. Et negativt sentiment kan være helt korrekt, hvis dere faktisk har gjort noe feil, er det journalistens jobb å si det. Sentimentanalyse skal ikke brukes til å feie kritikk under teppet, men til å forstå mønsteret. I en krisesituasjon er det dessuten viktig å ikke bare stole på algoritmen alene.
En annen fallgruve er å rapportere sentiment uten volum. Hvis dere har 90 prosent positivt sentiment fordelt på tre omtaler, er det mindre verdt enn 70 prosent positivt fordelt på 200 omtaler. Sentiment må alltid sees i sammenheng med mediedekning og rekkevidde.