# Actitud en menciones de HN: elogios, críticas e intención de lectura Audita la actitud hacia libros o entidades en JSON o CSV. Separa elogios, críticas, intención de lectura y menciones neutrales antes de contar recomendaciones. > Página canónica: https://elysiatools.com/es/tools/hn-mention-sentiment-positive-negative-classifier - **Categoría:** AI Tools - **Palabras clave:** HN, sentimiento de menciones, entidades, recomendaciones de libros, elogio, crítica, lectura ## Descripción general Pega hasta 20 filas con entity y context; id y commentId son opcionales. El contexto debe contener literalmente la entidad. El modo híbrido envía solo los casos sin resolver a OpenRouter con deepseek/deepseek-v4.1-flash-1017: una solicitud, 45 segundos, sin reintentos ni sustitución. El modo de reglas no llama al modelo. Las puntuaciones son heurísticas o declaradas por el modelo, no precisión calibrada; el modelo puede fallar. Los casos mixtos, inciertos o sin resolver no votan automáticamente. Las menciones distintas no son recomendaciones. Los elogios se deduplican por commentId/entidad o entidad/contexto exactos, sin fusionar alias. Descarga JSON, CSV protegido contra fórmulas y una plantilla sin confirmar. Conserva id y fingerprint y establece confirmed: true para corregir solo la misma entrada. Esta herramienta no crea una base persistente de anotaciones ni entrena modelos. Siguen vigentes las políticas de retención de la plataforma y del proveedor del modelo. ## Entradas - **Menciones (JSON o CSV)** (textarea) - **Formato de entrada** (select) - **Modo de clasificación** (select) - **Correcciones confirmadas (JSON, opcional)** (textarea) - **Confianza mínima del elogio** (number) ## Cuándo usarlo - Al auditar hilos de discusión para contar recomendaciones reales de libros sin incluir críticas o intenciones de lectura como votos positivos. - Al evaluar la percepción comunitaria de bibliotecas o herramientas tecnológicas a partir de comentarios breves. - Al preparar lotes pequeños de hasta 20 menciones para generar informes limpios con deduplicación por usuario y contexto. ## Cómo funciona - Introduce hasta 20 registros en formato JSON o CSV incluyendo los campos obligatorios entity y context, asegurando que context incluya textualmente la entidad. - Selecciona el modo de clasificación: solo reglas para procesamiento puramente local sin llamadas externas, o modo híbrido para enviar casos no resueltos a OpenRouter. - Ajusta el umbral de confianza mínima para el elogio y, de forma opcional, añade un JSON de correcciones confirmadas manteniendo el id y el fingerprint originales. - Revisa el informe visual en HTML y descarga los resultados clasificados en JSON o CSV con protección contra inyección de fórmulas. ## Casos de uso - Depuración de listas de lectura extraídas de comentarios para separar compras recomendadas de libros pendientes por leer. - Auditoría rápida del sentimiento sobre herramientas de software mencionadas en debates de desarrolladores. - Filtrado de reseñas cortas para exportar hojas de cálculo protegidas contra inyecciones maliciosas de fórmulas. ## Preguntas frecuentes ### ¿Cuántas menciones se pueden clasificar por cada ejecución? La herramienta admite un máximo de 20 filas por lote en formato JSON o CSV. ### ¿Cuál es la diferencia entre el modo de reglas y el modo híbrido? El modo de reglas no realiza llamadas a modelos; el modo híbrido envía únicamente los contextos no resueltos a deepseek/deepseek-v4.1-flash-1017 en una sola solicitud. ### ¿Por qué una mención no suma automáticamente un voto de recomendación? Las opiniones mixtas, neutras, críticas, intenciones de lectura o aquellas que no alcanzan el umbral de confianza fijado quedan excluidas del cómputo de elogios. ### ¿Cómo se realiza la deduplicación de elogios? Se deduplica comparando commentId con entity, o mediante la coincidencia exacta de entity y context; los alias no se combinan. ### ¿Cómo se aplica una corrección manual confirmada? Se debe conservar el id y el fingerprint original de la fila en el JSON de correcciones y asignar el valor confirmed en true. ## Herramientas relacionadas - [Analizador de logs estructurados](https://elysiatools.com/es/tools/structured-log-analyzer): Detecta formatos comunes de logs, extrae campos clave e infiere tipos para exportar en JSON, CSV o SQL. - [Extractor de tablas PDF a CSV/JSON](https://elysiatools.com/es/tools/pdf-table-extractor-to-csv-json): Extrae tablas de PDF con OpenDataLoader y las exporta como JSON estructurado, CSV o HTML - [Detector de desbalance y remuestreo](https://elysiatools.com/es/tools/dataset-imbalance-detector-resampler): Detecta desbalance de clases en datasets CSV o JSON, compara estrategias y previsualiza una salida balanceada - [Analizador de pronostico y estacionalidad](https://elysiatools.com/es/tools/time-series-forecast-seasonality-analyzer): Pronostica periodos futuros desde series temporales CSV o JSON y muestra tendencia, componente estacional y residual - [Divisor train/test con estratificación](https://elysiatools.com/es/tools/train-test-split-with-stratification): Lee un dataset CSV/JSON y divide en train/validation/test con muestreo estratificado por la columna objetivo (70/15/15 por defecto, semilla reproducible), o valida con k-fold estratificado; incluye informe de distribución de clases por split con barras de desviación, comprobación de fugas por filas duplicadas, vista previa de SMOTE (interpolación de vecinos sobre el split de train) y exportación de los CSV en ZIP. - [Segmentación de actividad de voz](https://elysiatools.com/es/tools/audio-voice-activity-segmentation): Detecta actividad probable en banda de voz y exporta rangos de voz/no voz en JSON, CSV, SRT o lista FFmpeg. - [Banco de texto desordenado a datos estructurados](https://elysiatools.com/es/tools/messy-text-to-structured-data-workbench): Infiere tablas desde texto pegado, delimitadores mixtos, líneas clave-valor o HTML y exporta CSV, JSON y Markdown. - [Detector de conflictos de prefijos y abreviaturas en mock data](https://elysiatools.com/es/tools/mock-data-naming-conflict-detector): Detecta nombres de campo visualmente confusos y colisiones de prefijo en CSV, JSON o schemas ## Ejemplos - [Ejemplos CSV](https://elysiatools.com/es/samples/csv-samples): Archivos CSV de muestra con varios tipos de datos, tamaños y niveles de complejidad - [Ejemplos Python](https://elysiatools.com/es/samples/python): Ejemplos de código Python y demostraciones Hello World - [Muestras de Trazado Distribuido](https://elysiatools.com/es/samples/distributed-tracing-samples): Ejemplos completos de trazado distribuido usando Jaeger, OpenTelemetry y herramientas de observabilidad modernas - [Ejemplos de AWS EventBridge](https://elysiatools.com/es/samples/eventbridge-samples): Ejemplos de AWS EventBridge incluyendo buses de eventos, reglas, objetivos, registro de esquemas, eventos personalizados y enrutamiento de eventos entre cuentas para arquitectura serverless event-driven ## Contenido relacionado - [Revisión de recomendaciones por entidad en HN y entrega de la clasificación](https://elysiatools.com/es/hubs/hn-entity-recommendation-review-and-ranking-handoff): Convierta comentarios autorizados de HN en recomendaciones trazables: conserve contexto, distinga elogios de críticas e intención de lectura y revise votos y duplicados antes de entregar.