「ポジ・ネガをどう見分けるの?」
「うちの業務でも使える精度なの?」
何千件も届くレビューやSNS投稿を、人手で仕分けるのは、まず無理です。それを担うのが感情分析です。
感情分析とは、文章に込められた気持ちがポジティブかネガティブかを、コンピュータが判定する技術です。書き手の言葉づかいから、好意・不満といった気持ちの向きを読み取ります。英語では Sentiment Analysis と呼ばれます。
この記事では、感情分析が何を判定しているかを押さえ、判定を支える3つのアプローチを対応表で比べ、どこで役立ちどこで外すかまでを見ていきます。最後は用途に応じた手法の選び方に落とし込みます。Azure AI Fundamentals（AI-900）の自然言語処理対策に効きます。
1. 文章から「気持ちの向き」を判定する
あなたが最初に押さえたいのは、感情分析が判定するのは「気持ちの向き」だという点です。文章の内容や事実関係ではなく、そこににじむ感情がプラスかマイナスかを見ます。「最高でした、また買います」ならポジティブ、「期待はずれでがっかり」ならネガティブ、というふうに、言葉の温度を読み分けます。
感情分析は、言葉をコンピュータに扱わせる自然言語処理（文章を扱うAI）の身近な応用の一つです。画像の中の文字を扱う OCRとは が「見る」側の応用だとすれば、感情分析は「読む」側の応用にあたります。同じAIでも、扱う対象で得意技が分かれると整理すると、地図の中での居場所がつかめます。
2. ポジ・ネガ・中立をどう見分けるか
感情分析の出力は、多くの場合極性（きょくせい）という一本の物差しで表されます。ネガティブを−1、ポジティブを+1として、その間のどこに位置するかをスコアで返す。あなたが受け取るのは「ポジ寄り」「ネガ寄り」「どちらでもない中立」といった目盛りです。図にしました。
ここで大切なのが、感情分析の芯は「肯定か否定かのカテゴリを当てる」分類の考え方だという点です。文章を入力し、極性のラベル（またはスコア）を返す。中立という三つ目の目盛りを加えることもありますが、土台にあるのは「どちらの気持ちに近いか」を仕分ける発想です。
3. 判定を支える3つのアプローチ
感情分析の中身は、大きく3つのアプローチに分かれます。あなたがツールを選ぶときは、この違いが判断材料になります。精度・必要なデータ量・手軽さの三つで並べて比べました。
| アプローチ | やり方 | 精度 | データ量 | 手軽さ |
|---|---|---|---|---|
| 辞書ベース | ポジ・ネガの単語辞書で点数化する | ほどほど | 少なめ | 手軽 |
| 機械学習 | 正解ラベル付きの文章で学習する | 高い | 多く要る | 準備が必要 |
| 大規模言語モデル（LLM） | 文脈をふまえて意味ごと判定する | とても高い | 学習済みを利用 | 手軽になった |
辞書ベースは、「うれしい」はプラス、「残念」はマイナス、と単語ごとに決めた点数を足し合わせる素朴なやり方です。仕組みが分かりやすく、少ない準備で始められます。機械学習は、大量の「答え付き」文章からパターンを覚える方式で、辞書だけでは拾えない言い回しにも対応しやすくなります。そして大規模言語モデル（LLM）は、前後の文脈まで踏まえて意味をとらえるため、微妙な言い回しにも強い、というわけです。土台となる仕組みは LLMとは で深掘りできます。
4. どこで役立ち、どこで外すか
感情分析が力を出すのは、大量の声をまとめて傾向でつかむ場面です。口コミの満足・不満の割合、SNSの反応の温度、問い合わせの中で不満の強い連絡を先に拾う——どれも、一件ずつ人が読むには多すぎる声を、数で見渡せるようにしてくれます。あなたの職場でも、アンケートの自由記述を傾向ごとに束ねる使い方が身近です。
一方で、感情分析が外しやすい場面もはっきりしています。とくに苦手なのが皮肉と文脈です。「すごいですね（棒読み）」のように、言葉づらは肯定でも本心は否定、という表現を取り違えることがあります。さらに、業界ごとの専門用語も曲者です。ある分野では褒め言葉でも、別の分野では中立、という語は珍しくありません。だからこそ、判定を鵜呑みにせず対象ドメイン（業界）に合わせた調整を入れるのが実務の勘所になります。
5. 生成AIで変わりつつある精度と手軽さ
近年は、文脈をとらえるLLMの広がりで、感情分析の精度と手軽さが同時に上がりました。以前は自前で学習データをそろえる必要があった判定を、学習済みのモデルに文章を渡すだけで試せる場面が増えています。あなたが「まず様子を見たい」段階なら、手軽なアプローチから始めて、精度が足りなければ機械学習やドメイン調整へ進む、という順序が現実的です。
最後に、用途に応じた手法選びを一覧で整理します。手軽に傾向をつかみたいなら辞書ベースやLLM、自社データで精度を追い込みたいなら機械学習にドメイン調整を重ねる。皮肉や専門用語が多い文章を扱うなら、文脈を読むLLMを軸に、人の確認を組み合わせる。判定の精度は入力する文章の性質に左右されるので、「どんな文章を、何のために分析するか」を先に決めるのが、手法選びの出発点です。
試験では、感情分析は用途で問われます。「文章が肯定的か否定的かを判定するのはどのサービスか」と出れば、画像分類や翻訳と並べて感情分析（Sentiment Analysis）を選ぶ形です。扱う対象が「文章の気持ち」なら感情分析、と紐づけて覚えると、選択肢の言い換えに惑わされません。
次のステップ
感情分析が自然言語処理のどのあたりの話かは、Azure AI Fundamentalsの試験範囲と勉強法ガイド で分類や翻訳と並べて眺めると、位置関係がはっきりします。隣り合うタスクとまとめて押さえておけば、用途の取り違えも減ります。