感情分析 (sentiment analysis) は、テキストに含まれる感情や意見の極性 (ポジティブ・ネガティブ・ニュートラル) を自動判定する自然言語処理技術です。オピニオンマイニングとも呼ばれ、大量のテキストデータから人々の意見や感情の傾向を定量的に把握するために使われます。EC サイトの商品レビュー、SNS の投稿、カスタマーサポートの問い合わせなど、人手では読み切れない量のテキストから傾向を取り出したい場面で使われます。

手法はルールベースと機械学習ベースに大別されます。ルールベースは感情辞書 (ポジティブ語・ネガティブ語のリスト) を使用し、テキスト内の感情語の出現頻度からスコアを算出します。実装が比較的容易で解釈性が高い反面、皮肉や文脈依存の表現に弱いという欠点があります。機械学習ベースは BERT や GPT などの深層学習モデルを使用し、文脈を考慮した高精度な判定が可能です。2026 年時点では、ラベル付きの学習データを用意せず指示文だけで判定させるゼロショット感情分析も選択肢になっています。

ビジネスでの活用場面は多岐にわたります。SNS の投稿分析ではブランドに対する世論の変化をリアルタイムで追跡し、炎上の早期検知に役立てます。商品レビューの評価集計では、星評価だけでは分からない具体的な不満点や評価ポイントを抽出できます。カスタマーサポートでは、問い合わせの感情スコアを対応の優先度づけに使い、強い不満が読み取れるものを先に回す運用が考えられます。

感情分析の精度は言語によって大きく異なります。英語は研究が進んでおり高精度なモデルが多数存在しますが、日本語は主語の省略、婉曲表現、皮肉の検出が難しく、精度の確保が課題です。たとえば「まあまあですね」は文脈によってポジティブにもネガティブにもなり得ます。中国語も同様に、文脈依存の表現が多く、方言や口語表現への対応が求められます。

感情分析と類似する技術にアスペクトベース感情分析 (ABSA) があります。通常の感情分析がテキスト全体の極性を判定するのに対し、ABSA は「バッテリーは良いが画面は悪い」のように、特定の側面 (アスペクト) ごとの感情を個別に判定します。商品改善のフィードバック分析では、ABSA の方がより実用的な知見を提供します。

文字数カウントとの関連では、感情分析の精度はテキストの長さに影響されます。短い投稿では文脈情報が少なく判定が難しくなります。X (旧 Twitter) の投稿上限は加重方式で 280 と定められ、日本語などの CJK 文字は 1 文字が重み 2 として数えられるため、日本語では実質 140 字が上限です。この長さでは皮肉や反語を見分ける手がかりが足りず、感情辞書に頼る手法は特に取り違えを起こしやすくなります。

日本語では、文字数で機械的に切り詰めると極性が反転する点に注意が必要です。否定や逆接が文末に来るため、「この製品は素晴らしいとは言えない」(16 文字) を先頭 10 文字で切ると「この製品は素晴らしい」となり、残った部分だけを見れば正反対の評価に読めてしまいます。一覧表示用に切り詰めた文字列や、入力上限に合わせて機械的に分割した断片をそのまま分析へ回すと、この種の反転が起きます。長文レビューでは句点で文に分けてから文ごとの極性を求め、平均値ではなく分布 (ポジティブとネガティブが混在しているか) を見るのが実務的です。文字数は精度そのものを測る指標ではなく、どの単位で切って分析するかを決めるための材料と捉えるのが適切です。