# Attitude des mentions HN : éloge, critique et intention de lecture Auditez l’attitude envers un livre ou une entité depuis du JSON ou CSV. Distinguez éloge, critique, intention de lecture et neutralité avant de compter les recommandations. > Page canonique: https://elysiatools.com/fr/tools/hn-mention-sentiment-positive-negative-classifier - **Catégorie:** AI Tools - **Mots-clés:** HN, sentiment des mentions, entités, recommandations de livres, éloge, critique, lecture ## Présentation Collez jusqu’à 20 lignes avec entity et context ; id et commentId sont facultatifs. Le contexte doit contenir littéralement l’entité. Le mode hybride envoie uniquement les cas non résolus à OpenRouter avec deepseek/deepseek-v4.1-flash-1017 : une requête, 45 secondes, sans nouvel essai ni substitution. Le mode règles ne contacte pas le modèle. Les scores sont heuristiques ou déclarés par le modèle, pas une précision étalonnée ; le modèle peut se tromper. Les cas mixtes, incertains ou non résolus ne votent pas automatiquement. Les mentions distinctes ne sont pas des recommandations. Les éloges sont dédupliqués par commentId/entité ou entité/contexte exacts ; les alias ne sont pas fusionnés. Téléchargez JSON, CSV protégé contre les formules et modèle de correction non confirmé. Conservez id et fingerprint et mettez confirmed: true pour corriger uniquement la même entrée. Cet outil ne crée pas de base persistante d’annotations et n’entraîne aucun modèle. Les politiques de conservation de la plateforme et du fournisseur du modèle restent applicables. ## Entrées - **Mentions (JSON ou CSV)** (textarea) - **Format d’entrée** (select) - **Mode de classification** (select) - **Corrections confirmées (JSON, facultatif)** (textarea) - **Confiance minimale pour un éloge** (number) ## Quand l'utiliser - Vous analysez des fils de discussion Hacker News pour compiler une sélection de lectures et devez écarter les critiques ainsi que les simples intentions d'achat. - Vous disposez d'un extrait de 20 mentions maximum en JSON ou CSV et souhaitez vérifier l'attitude réelle envers une entité sans configurer de pipeline complexe. - Vous devez auditer des retours textuels courts avec des règles déterministes locales ou lever le doute sur des cas ambigus via un modèle ponctuel sans persistance de données. ## Fonctionnement - Collez jusqu'à 20 lignes au format JSON ou CSV contenant obligatoirement les champs 'entity' et 'context' (avec 'id' et 'commentId' optionnels). Le contexte doit contenir littéralement le nom de l'entité. - Sélectionnez le mode de traitement : 'Règles seules' pour un filtrage déterministe local sans réseau, ou 'Hybride' pour soumettre uniquement les cas non résolus au modèle deepseek-v4.1-flash-1017. - Définissez le seuil de confiance minimal pour les éloges (entre 0,50 et 1,00) et renseignez d'éventuelles corrections confirmées pour les identifiants et empreintes correspondants. - Consultez l'audit HTML généré à l'écran et téléchargez les résultats sous forme de fichier JSON, de CSV protégé contre l'injection de formules ou de gabarit de correction. ## Cas d'usage - Nettoyage d'une liste de recommandations de livres tech issues de Hacker News pour exclure les commentaires défavorables. - Distinction entre l'adoption confirmée d'un logiciel ('I love Tool') et la simple intention d'essai ('I plan to test Tool'). - Audit qualité d'extraits CSV de commentaires pour isoler les avis ambigus nécessitant une revue manuelle. ## Questions fréquentes ### Quelle est la taille maximale d'entrée prise en charge ? L'outil accepte un maximum de 20 lignes ou objets de mentions par exécution au format JSON ou CSV. ### Pourquoi le contexte doit-il inclure littéralement l'entité ? La vérification d'attitude associe la polarité directement à la sous-chaîne exacte de l'entité présente dans la phrase. ### Quelle est la différence entre le mode règles et le mode hybride ? Le mode règles fonctionne entièrement en local sans appel externe, tandis que le mode hybride transmet les contextes non résolus à OpenRouter. ### Comment les recommandations sont-elles dédupliquées ? Les éloges retenus sont dédupliqués par identifiant de commentaire et entité, ou par correspondance exacte du contexte et de l'entité. ### Mes données sont-elles conservées pour entraîner des modèles ? Non, l'outil ne crée aucune base d'annotations persistante et n'entraîne aucun modèle d'intelligence artificielle. ## Outils associés - [Analyseur de logs structures](https://elysiatools.com/fr/tools/structured-log-analyzer): Detecte les formats de logs courants, extrait les champs principaux et exporte en JSON, CSV ou SQL. - [Extracteur de tableaux PDF vers CSV/JSON](https://elysiatools.com/fr/tools/pdf-table-extractor-to-csv-json): Extrait des tableaux PDF avec OpenDataLoader et les exporte en JSON, CSV ou HTML - [Detecteur de desequilibre et reechantillonneur](https://elysiatools.com/fr/tools/dataset-imbalance-detector-resampler): Detecte le desequilibre de classes dans un dataset CSV ou JSON, compare les strategies et previsualise un jeu equilibre - [Analyseur de prevision et de saisonnalite](https://elysiatools.com/fr/tools/time-series-forecast-seasonality-analyzer): Projette des periodes futures a partir de donnees CSV ou JSON et affiche tendance, saisonnalite et residus - [Découpage train/test stratifié](https://elysiatools.com/fr/tools/train-test-split-with-stratification): Lit un jeu de données CSV/JSON et le découpe en train/validation/test avec échantillonnage stratifié par la colonne cible (70/15/15 par défaut, graine reproductible), ou k-fold stratifié ; rapport de distribution des classes par split avec barres d'écart, contrôle des fuites par lignes dupliquées, aperçu SMOTE (interpolation des plus proches voisins sur le train) et export des CSV en ZIP. - [Segmentation d’activité vocale](https://elysiatools.com/fr/tools/audio-voice-activity-segmentation): Détecte l’activité probable dans la bande vocale et exporte les plages parole/non-parole en JSON, CSV, SRT ou liste FFmpeg. - [Atelier texte désordonné vers données structurées](https://elysiatools.com/fr/tools/messy-text-to-structured-data-workbench): Déduit des tableaux depuis du texte, des délimiteurs mixtes, des lignes clé-valeur ou du HTML et exporte CSV, JSON et Markdown. - [Detecteur de conflits de prefixes et abreviations pour mock data](https://elysiatools.com/fr/tools/mock-data-naming-conflict-detector): Detecte des noms de champs visuellement confus et des collisions de prefixe dans des CSV, JSON ou schemas ## Exemples - [Exemples CSV](https://elysiatools.com/fr/samples/csv-samples): Fichiers CSV d'exemple avec divers types de données, tailles et niveaux de complexité - [Exemples Python](https://elysiatools.com/fr/samples/python): Exemples de code Python et démonstrations Hello World - [Exemples de Traçage Distribué](https://elysiatools.com/fr/samples/distributed-tracing-samples): Exemples complets de traçage distribué utilisant Jaeger, OpenTelemetry et outils d'observabilité modernes - [Exemples AWS EventBridge](https://elysiatools.com/fr/samples/eventbridge-samples): Exemples AWS EventBridge incluant les bus d'événements, règles, cibles, registre de schémas, événements personnalisés et routage d'événements inter-comptes pour l'architecture serverless event-driven ## Contenu associé - [Vérification des recommandations par entité sur HN et livraison du classement](https://elysiatools.com/fr/hubs/hn-entity-recommendation-review-and-ranking-handoff): Transformez un export autorisé de commentaires HN en recommandations traçables : gardez le contexte, distinguez éloges, critiques et intentions de lecture, puis révisez doublons et votes.