Lexikon · S
Sentimentanalyse
Kurzantwort
Die Sentimentanalyse bestimmt, ob ein Text eher positiv, negativ oder neutral klingt. Ein Cloud-Dienst wie die Natural Language API von Google gibt dafür einen Wert zwischen minus 1,0 und plus 1,0 aus2.

Ein Onlineshop sammelt jede Woche Hunderte Bewertungen. Alle liest niemand, doch die Frage, ob die Kundschaft gerade zufriedener oder verärgerter wird, will die Geschäftsführung trotzdem beantwortet haben. Dafür gibt es die Sentimentanalyse, auf Deutsch auch Stimmungsanalyse: Ein Programm liest jeden Text, vergibt eine Stimmung und macht sie so zählbar. Erst über viele Texte und mehrere Wochen ergibt sich ein Bild, das sich mit dem Vormonat vergleichen lässt.
Zwei Wege zur Stimmung
Die Sentimentanalyse ist ein Sonderfall der Textklassifikation mit den Klassen positiv, negativ und neutral, und sie wird gemessen wie jeder andere Klassifikator. Der ältere Weg dorthin arbeitet mit Wortlisten. Jedes Wort bekommt ein Gewicht, "großartig" ein positives, "kaputt" ein negatives, und das Programm zählt zusammen. Solche Wortlisten für Stimmung, Gefühl und Wertung beschreiben Jurafsky und Martin in ihrem Lehrbuch zur Sprachverarbeitung4. Der Ansatz ist durchschaubar, erfasst aber keinen Satz, dessen Sinn vom Wortlaut abweicht.
Der zweite Weg ist überwachtes Lernen. Bo Pang, Lillian Lee und Shivakumar Vaithyanathan trainierten 2002 drei damals übliche Verfahren auf Filmkritiken. Alle drei schlugen einfache Vergleichsregeln, die Menschen aufgestellt hatten, schnitten bei der Stimmung aber schlechter ab als beim Sortieren nach Themen1. Heute übernehmen meist neuronale Netze und große Sprachmodelle diese Aufgabe.
Was der ausgegebene Wert bedeutet
Bei Google Cloud bekommst du zwei Zahlen. Der Score reicht von minus 1,0 für negativ bis plus 1,0 für positiv. Die Magnitude gibt an, wie viel Gefühl insgesamt im Text steckt, positiv und negativ zusammengezählt, und wächst bei längeren Texten mit2. Erst beide zusammen trennen einen sachlichen Text von einem gemischten: In den Beispielen der Dokumentation hat ein neutraler Text Score 0,1 und Magnitude 0,0, ein gemischter Score 0,0 und Magnitude 4,02. Ob jemand wütend oder traurig ist, unterscheidet der Dienst nicht, und ab welchem Wert ein Text als eindeutig positiv gilt, sollst du laut Google mit eigenen Tests festlegen2.
Ironie und andere Stolperfallen
"Super, schon wieder zwei Stunden in der Warteschleife." Der Satz enthält ein positives Wort und meint das Gegenteil. Wie schwer das für Maschinen ist, zeigte 2018 der erste Wettbewerb zur Ironieerkennung bei der SemEval-Reihe: 43 Teams versuchten, in englischen Tweets ironische von ernst gemeinten zu trennen. Das beste System erreichte einen F1-Score von 0,71, bei der Frage nach der Art der Ironie nur 0,513. Trainiert wurde mit 3.834 Tweets3.
Weitere Fallen sind Verneinungen ("nicht schlecht"), Vergleiche ("besser als das Vorgängermodell, aber immer noch zu laut") und Fachsprache, in der ein Wort je nach Branche gut oder schlecht klingt. Für Entscheidungen über einen einzelnen Fall, etwa ob eine Beschwerde sofort an die Chefin geht, taugt der Wert deshalb wenig. Im Kundenservice hilft er eher als Wochenkurve über alle eingegangenen Mails, weil einzelne Fehlgriffe bei Hunderten Rückmeldungen weniger ins Gewicht fallen.
Häufige Fragen
Warum nicht jede Bewertung einzeln von einem Sprachmodell einschätzen lassen?
Für einzelne Texte geht das, ein Sprachmodell kann seine Einschätzung sogar begründen. Bei Tausenden Texten wird das teuer und schwer vergleichbar, weil die Antworten nicht immer gleich ausfallen.
Funktioniert die Sentimentanalyse auch auf Deutsch?
Die großen Cloud-Dienste und viele freie Modelle verarbeiten Deutsch. Die Trefferquote solltest du an eigenen, von Hand bewerteten Beispielen prüfen, bevor du dich auf die Werte verlässt.
Was ist aspektbasierte Sentimentanalyse?
Sie bewertet die Stimmung je Merkmal, also zum Beispiel "Akku gut, Display schlecht" in derselben Bewertung. Google Cloud bietet eine ähnliche Auswertung je erkanntem Begriff an.
Quellen
Stand:
- arXiv (Pang, Lee, Vaithyanathan): Thumbs up? Sentiment Classification using Machine Learning Techniques, Stand 28.05.2002, abgerufen am 22.11.2026. zurück
- Google Cloud: Natural Language API Basics, abgerufen am 22.11.2026. zurück
- ACL Anthology (Van Hee, Lefever, Hoste): SemEval-2018 Task 3: Irony Detection in English Tweets, Stand 2018, abgerufen am 22.11.2026. zurück
- Stanford University (Jurafsky, Martin): Speech and Language Processing, 3rd edition draft, Stand 19.08.2026, abgerufen am 22.11.2026. zurück





