案例08｜Threshold Sensitivity：−0.25／0.25 改成 −0.1／0.1 就會改變情感分類

一、案例定位

本案例依原書 6.4 對 Sentiment Score Threshold 的討論整理。

理解 Score-based Sentiment Classification 為何會受到 Negative／Neutral／Positive Cut-off 影響。

二、學習目標

正確保留原書兩組 Threshold。
理解 Score 與 Sentiment Class 並不是同一層輸出。
認識 Threshold Choice 可能改變 Fairness／Accuracy 結論。

三、案例情境

原書指出 SentimentR 與 Google Cloud Natural Language 需要把連續 Sentiment Score 轉換成 Class。本研究使用 −0.25 與 +0.25 作為 Negative／Neutral／Positive 分界；若改成 −0.1 與 +0.1，Tables 6.1／6.2 中部分原本 Neutral 的結果會變成 Positive 或 Negative。

四、開始資料

Threshold Setting	原書用途	結果影響
−0.25／+0.25	本研究主要 Score-to-class Cut-off	中間區間判 Neutral
−0.1／+0.1	原書示範替代 Threshold	部分結果轉為 Positive／Negative
Score	Sentiment Direction／Intensity	連續值
Class	Negative／Neutral／Positive	取決於 Threshold Rule

五、Excel／AI 分析方法

Excel 可用 IF／IFS 將同一 Score 套不同 Threshold，建立 Sensitivity Table；AI 可協助解釋 Class Change，但不能把任一 Threshold 當成來源未證明的「最佳值」。

六、計算結果

原書明確指出，從 ±0.25 改成 ±0.1 會讓部分 Classification 改變；沒有提供一個普遍最佳 Threshold。

七、結果分析與管理解讀

Fairness Audit 若只看最終 Class，而不記錄 Score／Threshold，很可能把 Parameter Choice 造成的差異誤認成 Model 本身的固定特性。

八、AI 提問詞

請用同一批 Sentiment Scores 分別套用 ±0.25 與 ±0.1 Threshold，列出 Class Change，並將「模型輸出變化」與「Threshold Rule 變化」分開解釋。