Skip to content
Tutorials5 min read

Creare un task di analisi del sentiment

Come costruire un task completo di classificazione del sentiment, con pulsanti radio, tooltip e scorciatoie da tastiera per etichettare in fretta.

Potato Team

L'analisi del sentiment è uno dei task di NLP più diffusi, e raccogliere etichette pulite in Potato è semplice. Questo tutorial costruisce un'interfaccia di annotazione del sentiment che puoi davvero mettere davanti agli annotatori, con le scorciatoie da tastiera e i controlli di qualità che rendono più rapido l'etichettamento.

Il progetto in breve

Annotiamo post dai social. L'interfaccia comprende:

  • Classificazione del sentiment su tre valori (Positive, Negative, Neutral)
  • Un giudizio di confidenza per ogni annotazione
  • Spiegazioni testuali facoltative
  • Scorciatoie da tastiera per andare più veloci
  • Misure di controllo qualità

Configurazione completa

Ecco il config.yaml per intero:

yaml
annotation_task_name: "Social Media Sentiment Analysis"
 
# Data configuration
data_files:
  - "data/tweets.json"
 
item_properties:
  id_key: id
  text_key: text
 
# Annotation interface
annotation_schemes:
  # Primary sentiment label
  - annotation_type: radio
    name: sentiment
    description: "What is the overall sentiment of this post?"
    labels:
      - name: Positive
        tooltip: "Expresses happiness, satisfaction, or approval"
        keyboard_shortcut: "1"
      - name: Negative
        tooltip: "Expresses sadness, frustration, or disapproval"
        keyboard_shortcut: "2"
      - name: Neutral
        tooltip: "Factual, objective, or lacks emotional content"
        keyboard_shortcut: "3"
    label_requirement:
      required: true
 
  # Confidence rating
  - annotation_type: likert
    name: confidence
    description: "How confident are you in your sentiment label?"
    size: 5
    min_label: "Not confident"
    max_label: "Very confident"
    label_requirement:
      required: true
 
  # Optional explanation
  - annotation_type: text
    name: explanation
    description: "Why did you choose this label? (Optional)"
    rows: 4
    label_requirement:
      required: false
    placeholder: "Explain your reasoning..."
 
# Guidelines
annotation_guidelines:
  title: "Sentiment Annotation Guidelines"
  content: |
    ## Your Task
    Classify the sentiment expressed in each social media post.
 
    ## Labels
 
    **Positive**: The author expresses positive emotions or opinions
    - Happiness, excitement, gratitude
    - Praise, recommendations, approval
    - Examples: "Love this!", "Best day ever!", "Highly recommend"
 
    **Negative**: The author expresses negative emotions or opinions
    - Anger, frustration, sadness
    - Complaints, criticism, disapproval
    - Examples: "Terrible service", "So disappointed", "Worst experience"
 
    **Neutral**: Factual or lacking clear sentiment
    - News, announcements, questions
    - Mixed or balanced opinions
    - Examples: "The store opens at 9am", "Has anyone tried this?"
 
    ## Tips
    - Focus on the author's sentiment, not the topic
    - Sarcasm should be labeled based on intended meaning
    - When unsure, lower your confidence rating
 
# User management
automatic_assignment:
  on: true
  sampling_strategy: random
  labels_per_instance: 1
  instance_per_annotator: 100

Formato dei dati di esempio

Crea data/tweets.json:

json
{"id": "t001", "text": "Just got my new laptop and I'm absolutely loving it! Best purchase of the year! #happy"}
{"id": "t002", "text": "Waited 2 hours for customer service and they still couldn't help me. Never shopping here again."}
{"id": "t003", "text": "The new coffee shop on Main Street opens tomorrow at 7am."}
{"id": "t004", "text": "This movie was okay I guess. Some good parts, some boring parts."}
{"id": "t005", "text": "Can't believe how beautiful the sunset was tonight! Nature is amazing."}

Avviare il task

Fai partire il server di annotazione:

bash
potato start config.yaml

Vai su http://localhost:8000 e accedi per iniziare ad annotare.

Ecco che cosa vedono gli annotatori una volta acceso il server:

Interfaccia di annotazione del sentiment con pulsanti radio per le etichette Positive, Negative e NeutralL'interfaccia di classificazione del sentiment, con le etichette a pulsanti radio, la scala di confidenza e il campo facoltativo per la spiegazione

Capire l'interfaccia

L'area di annotazione

L'interfaccia mostra:

  1. Il testo da annotare (con URL, menzioni e hashtag evidenziati)
  2. I pulsanti radio del sentiment, con i tooltip
  3. La scala Likert della confidenza
  4. Il campo di testo facoltativo per la spiegazione

Il flusso da tastiera

Quando gli annotatori prendono il ritmo, il giro più veloce è questo:

  1. Leggi il testo
  2. Premi 1, 2 o 3 per il sentiment
  3. Clicca il livello di confidenza (o usa il mouse)
  4. Premi Enter per inviare

Avanzamento

L'interfaccia mostra:

  • L'avanzamento attuale (ad esempio «15 / 100»)
  • Il tempo stimato che manca
  • Le statistiche della sessione

Formato di output

Le annotazioni vengono salvate in annotations/username.jsonl:

json
{
  "id": "t001",
  "text": "Just got my new laptop and I'm absolutely loving it!...",
  "annotations": {
    "sentiment": "Positive",
    "confidence": 5,
    "explanation": "Clear expression of happiness with the purchase"
  },
  "annotator": "john_doe",
  "timestamp": "2026-01-15T14:30:00Z"
}

Aggiungere il controllo qualità

Verifiche di attenzione

Aggiungi elementi gold standard per verificare che gli annotatori stiano attenti. Per tutte le opzioni degli schemi radio e likert usati qui, vedi la documentazione di riferimento.

yaml
quality_control:
  attention_checks:
    enabled: true
    frequency: 10  # Every 10th item
    items:
      - text: "I am extremely happy and satisfied! This is the best!"
        expected:
          sentiment: "Positive"
      - text: "This is absolutely terrible and I hate it completely."
        expected:
          sentiment: "Negative"

Accordo tra annotatori

Nei progetti di ricerca, attiva le annotazioni multiple:

yaml
automatic_assignment:
  on: true
  sampling_strategy: random
  labels_per_instance: 3  # Each item annotated by 3 people
  instance_per_annotator: 50

Analizzare i risultati

Esporta le annotazioni e analizzale:

python
import json
from collections import Counter
 
# Load annotations
annotations = []
with open('annotations/annotator1.jsonl') as f:
    for line in f:
        annotations.append(json.loads(line))
 
# Sentiment distribution
sentiments = Counter(a['annotations']['sentiment'] for a in annotations)
print(f"Sentiment distribution: {dict(sentiments)}")
 
# Average confidence
confidences = [a['annotations']['confidence'] for a in annotations]
print(f"Average confidence: {sum(confidences)/len(confidences):.2f}")

Prossimi passi

Trovi gli altri tipi di annotazione nella documentazione.