Sentiment-Analyse, auch als „Stimmungserkennung“ bezeichnet, basiert auf der automatisierten Auswertung von Benutzerkommentaren, durch die festgestellt werden soll, ob ein Text eher positiv oder eher negativ gemeint ist. Dazu bedient man sich Methoden des „Text Mining“ (siehe hierzu auch Data-Mining), also der automatischen Analyse von Texten, die in natürlicher Sprache geschrieben sind.
Und genau das führt schon zum ersten Problem: Natürliche Sprache besteht nicht aus Positiv- und Negativlisten. Einfache Analysemethoden suchen im Text nach Wörtern, die gemäß eines vorher erstellten, zum Thema passenden Wörterbuchs eine positive oder negative Bedeutung haben. Diese Methode mag einen sehr groben Überblick ermöglichen, ist aber kaum geeignet, die tatsächliche Stimmung zu erfassen. Nicht einmal die Häufigkeit von Wörtern, die im Zusammenhang mit der subjektiven Bewertung eines Produkts als positiv oder negativ gelten, ist aussagekräftig.
Zwei Kundenbewertungen als Beispiel: „Bin begeistert!“ und „Ganz gut, erfüllt so seinen Zweck.“. Der erste Satz enthält ein positives Wort, „begeistert“, der zweite Satz enthält zwei positive Wörter, „gut“ und „erfüllt“. Eine simple Auswertung nach Methoden der Statistik würde den zweiten Satz besser bewerten, ein Mensch würde diesen höchstens als mittelmäßig, wenn nicht gar als Negativbewertung einstufen. Für eine erfolgreiche Sentiment-Analyse muss man daher Werkzeuge der künstlichen Intelligenz heranziehen.
Hinzu kommt, dass Menschen besonders in sozialen Netzwerken ihre Meinung und Aussagen so formulieren, als würden sie mit einem Freund sprechen, und nicht immer nach den Regeln der deutschen Grammatik. Viele Sätze haben im Gesamtzusammenhang eine ganz andere Bedeutung als für sich genommen. Diese Nuancen zu erkennen, ist eine große Herausforderung für die Analysetools. Weiterhin ist insbesondere Jugendsprache von kurzfristigen Trends geprägt.
Ein Sentiment-Analyse-Werkzeug muss die Zielgruppe und das Umfeld des zu analysierenden Produkts deshalb genau kennen. Dabei helfen Methoden des Machine Learning , mit denen sich die Tools nach und nach trainieren lassen, was langfristig die Qualität der Ergebnisse verbessert.