Tóm tắt: Sentiment scoring thường phân loại một mention là tích cực, trung tính hoặc tiêu cực dựa trên từ ngữ, ngữ cảnh và mô hình. Con số trên dashboard là tín hiệu để điều tra và ưu tiên hành động, không phải “sự thật cảm xúc” tuyệt đối.
Sentiment score là gì?
Tool thu thập mention theo keyword, làm sạch dữ liệu, nhận diện ngôn ngữ rồi gán nhãn. Một báo cáo cơ bản có thể cho biết số lượng và tỷ lệ positive, neutral, negative trong khoảng thời gian hoặc nhóm chủ đề.
Nếu có 100 mention, 60 positive, 25 neutral và 15 negative, tỷ lệ lần lượt là 60%, 25% và 15% — nhưng cần kiểm tra mẫu nào được tính, nguồn nào được phủ và mention trùng có bị loại hay không. [CẦN XÁC MINH] định nghĩa score của từng công cụ trước khi so sánh.
Hai cách chấm phổ biến
Lexicon và luật
Lexicon là danh sách từ/cụm từ gắn với cực tính, kết hợp luật phủ định, cường độ hoặc emoji. Cách này dễ giải thích, triển khai nhanh và hữu ích khi taxonomy ổn định. Nhược điểm là phụ thuộc chất lượng từ điển và thường khó hiểu ngữ cảnh dài.
Machine learning và mô hình ngôn ngữ
Mô hình được huấn luyện hoặc tinh chỉnh trên dữ liệu đã gắn nhãn để dự đoán sentiment. Nó có thể học mẫu phức tạp hơn, nhưng kết quả phụ thuộc tập huấn luyện, domain, drift và cách vendor đo chất lượng. Một nhãn confidence cao vẫn có thể sai.
Nhiều hệ thống dùng hybrid: luật xử lý keyword đặc biệt, model gán nhãn phần còn lại, analyst review các trường hợp quan trọng. Hỏi rõ logic này thay vì chỉ hỏi “AI có bao nhiêu phần trăm chính xác?”.
Vì sao tiếng Việt khó?
Tiếng Việt có tiếng lóng, viết tắt, không dấu, code-switch, emoji, ngữ cảnh vùng miền và cách dùng từ tích cực/tiêu cực tùy ngành. “Đỉnh” có thể là lời khen; “cháy” có thể nói về thành công hoặc sự cố. Mỉa mai, meme và câu trích dẫn càng dễ làm model nhầm.
Một mention tiêu cực cũng không luôn là khủng hoảng: có thể là câu hỏi, phản hồi xây dựng hoặc tin đăng lặp. Ngược lại, sentiment trung tính của một thông báo ngắn không chứng minh người dùng hài lòng.
Kiểm tra chất lượng thế nào?
Tạo một mẫu mention đại diện, cho người hiểu ngữ cảnh gắn nhãn độc lập, rồi đối chiếu với tool. Xem confusion matrix hoặc ít nhất precision/recall theo từng lớp; đọc riêng các mẫu sarcasm, phủ định, spam và tiếng Việt không dấu.
Theo dõi thay đổi keyword, nguồn dữ liệu và model version. Đừng so tỷ lệ giữa hai tháng nếu coverage, campaign, volume hoặc quy tắc loại trùng đã đổi. Benchmark cụ thể cần nguồn và thời điểm: [CẦN XÁC MINH].
Dùng kết quả vào việc gì?
- Crisis triage: ưu tiên mention tiêu cực có reach hoặc rủi ro cao để người phụ trách kiểm tra.
- Campaign learning: xem thông điệp nào tạo phản hồi tích cực và câu hỏi nào lặp lại.
- Customer insight: nhóm pain point, nhu cầu và ngôn ngữ khách hàng.
- Competitive scan: so sánh chủ đề và share of voice cùng một phương pháp.
Luôn mở một phần mention mẫu trước khi hành động. Dashboard giúp định hướng; analyst cần đọc ngữ cảnh, xác nhận nguyên nhân và ghi lại quyết định.
Giới hạn và checklist
Sentiment không đo ý định mua, độ đúng của claim hay cảm xúc của toàn bộ thị trường. Dữ liệu công khai cũng có thể lệch về nhóm người hoạt động nhiều. Trước khi ký hợp đồng, hỏi coverage, taxonomy, ngôn ngữ, cách xử lý dữ liệu, quyền truy cập mẫu và quy trình sửa nhãn.
Kết luận tốt nên nêu cả tỷ lệ, volume, nguồn, thời gian, mẫu ngoại lệ và mức không chắc chắn. [CẦN XÁC MINH] tài liệu sản phẩm và UI trước khi mô tả tính năng cụ thể.