In questo esperimento ho utilizzato Orange Data Mining per analizzare il sentimento di alcune recensioni di prodotto.
Il problema di partenza era semplice: trasformare una recensione testuale in un giudizio automatico, per esempio positivo, negativo o neutro.
Il primo approccio è stato quello con VADER, tramite il widget Sentiment Analysis di Orange.
Il flusso era:
File → Select Columns → Corpus → Sentiment Analysis → Data Table
VADER affronta il problema in modo lessicale: cerca parole positive e negative nel testo, assegna punteggi e produce un valore finale chiamato compound.
Per esempio, parole come:
excellent good recommend
spingono il risultato verso il positivo, mentre parole come:
terrible defective disappointing
lo spingono verso il negativo.
Questo metodo è semplice, veloce e abbastanza trasparente. Il suo limite è che non interpreta davvero il contesto complessivo della frase.
Una recensione come:
Decent, but the value for money could be better.
può contenere parole apparentemente positive, ma il senso generale è tiepido o critico.
Per questo ho provato un secondo approccio, usando nel widget Python Script un modello Transformer leggero:
distilbert-base-uncased-finetuned-sst-2-english
Il nuovo flusso è:
File → Select Columns → Python Script → Data Table
Qui il problema viene affrontato in modo diverso. Il testo non viene visto solo come un insieme di parole positive o negative, ma come una frase da interpretare nel suo contesto.
Il Transformer produce due nuove colonne:
sentiment_transformer score_transformer
La prima indica il sentimento previsto, la seconda la sicurezza della previsione.
La differenza principale tra i due approcci è quindi questa:
VADER → parole, punteggi, soglie DistilBERT → contesto, modello neurale, previsione
Il Rating presente nel dataset ha un altro ruolo: non serve necessariamente al modello, ma può essere usato come riferimento umano.
Per esempio:
Rating 1-2 → negative Rating 3 → neutral Rating 4-5 → positive
In questo modo è possibile confrontare il giudizio automatico con il voto assegnato dall’utente.
L’aspetto più interessante dell’esperimento non è stabilire quale metodo “vince”, ma osservare che lo stesso problema può essere affrontato in modi diversi.
Con VADER il linguaggio viene trasformato in punteggi lessicali.
Con DistilBERT il linguaggio viene trasformato in una rappresentazione contestuale.
In entrambi i casi Orange permette di vedere chiaramente il passaggio fondamentale:
testo → rappresentazione numerica → decisione automatica
Ed è proprio questo il valore didattico dell’esperimento: capire non solo il risultato finale, ma il diverso modo in cui l’intelligenza artificiale costruisce una soluzione.
 |
| Orange Data Mining |