案例01｜Sentiment Analysis Pipeline：從資料蒐集、前處理到情感分類

一、案例定位

本案例依原書 6.2「Sentiment Analysis: Theoretical Background and Methodology」整理。

建立 Sentiment Analysis 的基本流程，理解 Text Data 如何經由 Natural Language Processing（NLP）轉換為 Positive／Negative／Neutral 等分類結果。

二、學習目標

理解 Data Collection、Preprocessing、Sentiment Classification 三個主要階段。
區分 Supervised／Unsupervised Learning。
理解模型輸出可為 Sentiment Score 或 Probability Vector。

三、案例情境

原書將 Sentiment Analysis 描述為辨識與量化 Text 中 Subjective Information 的方法，典型流程包括資料蒐集、前處理，再以 NLP Algorithm 進行情感分類。Supervised Learning 使用 Labeled Data；Unsupervised Approach 則從 Unlabeled Data 推估 Pattern。

四、開始資料

階段／方法	原書內容	主要用途
Data Collection	蒐集 Textual Data	建立分析來源
Preprocessing	整理／處理文字	準備模型輸入
Sentiment Classification	NLP Algorithm	Positive／Negative／Neutral
Supervised	Train on Labeled Data	分類已定義 Sentiment Category
Unsupervised	Infer Pattern from Unlabeled Data	Clustering／Probabilistic Modeling
Model Output	Sentiment Score 或 Probability Vector	方向／強度或分類信心

五、Excel／AI 分析方法

Excel 可管理 Text ID、Source、Preprocessing Status、Predicted Class、Score／Probability；AI 可協助分類與說明，但需保留 Model／Version／Threshold 以便稽核。

六、計算結果

本節是方法框架，原書沒有提供統一 Accuracy Benchmark。

七、結果分析與管理解讀

Sentiment Analysis 不只是「讓 AI 判斷情緒」，而是一條完整 Pipeline。若前處理、Label、Model 或 Threshold 改變，最終 Sentiment Class 也可能改變。

八、AI 提問詞

請將以下 Sentiment Analysis Workflow 拆成 Data Collection、Preprocessing、Model、Output、Validation 五個部分，並標示每一步需要保存的 Metadata；不要自行補造模型成效數字。