# Atitude nas menções HN: elogios, críticas e intenção de leitura Audite a atitude sobre livros ou entidades em JSON ou CSV. Separe elogios, críticas, intenção de leitura e menções neutras antes de contar recomendações. > Página canônica: https://elysiatools.com/pt/tools/hn-mention-sentiment-positive-negative-classifier - **Categoria:** AI Tools - **Palavras-chave:** HN, sentimento de menções, entidades, recomendações de livros, elogio, crítica, leitura ## Visão geral Cole até 20 linhas com entity e context; id e commentId são opcionais. O contexto deve conter literalmente a entidade. O modo híbrido envia apenas casos não resolvidos ao OpenRouter com deepseek/deepseek-v4.1-flash-1017: uma solicitação, 45 segundos, sem repetição ou troca de modelo. O modo de regras não chama o modelo. As pontuações são heurísticas ou declaradas pelo modelo, não precisão calibrada; modelos podem errar. Casos mistos, incertos ou não resolvidos não votam automaticamente. Menções distintas não são recomendações. Os elogios são deduplicados por commentId/entidade ou entidade/contexto exatos, sem unir aliases. Baixe JSON, CSV protegido contra fórmulas e modelo de correção não confirmado. Preserve id e fingerprint e defina confirmed: true para corrigir apenas a mesma entrada. Esta ferramenta não cria uma base persistente de anotações nem treina modelos. As políticas de retenção da plataforma e do provedor do modelo continuam aplicáveis. ## Entradas - **Menções (JSON ou CSV)** (textarea) - **Formato de entrada** (select) - **Modo de classificação** (select) - **Correções confirmadas (JSON, opcional)** (textarea) - **Confiança mínima para elogio** (number) ## Quando usar - Ao compilar listas de livros recomendados no Hacker News sem inflar a contagem com críticas ou intenções de leitura futuras. - Para auditar rapidamente lotes de até 20 menções em formato tabular ou chave-valor com suporte a correções manuais. - Ao precisar de saídas seguras em CSV protegido contra injeção de fórmulas e JSON detalhado com nível de confiança por menção. ## Como funciona - Cole até 20 registros em JSON ou CSV contendo obrigatoriamente os campos 'entity' e 'context', onde o contexto deve conter literalmente o nome da entidade. - Escolha o modo de classificação: somente regras locais (sem chamadas externas) ou híbrido (regras locais e envio de casos não resolvidos ao deepseek-v4.1-flash-1017 via OpenRouter). - Defina o limiar de confiança mínima e opcionalmente cole correções confirmadas com confirmed: true, preservando id e fingerprint originais. - Visualize o relatório com deduplicação de elogios por comentário/entidade e exporte os resultados em HTML, CSV protegido ou JSON. ## Casos de uso - Triagem de recomendações reais de bibliografia técnica em discussões do Hacker News. - Auditoria de sentimentos para separar feedback desfavorável de citações positivas em discussões sobre ferramentas de software. - Geração de relatórios auditáveis com identificação de intenção de compra ou leitura pendente versus avaliações consumadas. ## Perguntas frequentes ### Menções neutras ou intenções de leitura contam como recomendação? Não. Apenas elogios validados e que atendem ao limiar mínimo de confiança são computados como recomendação aceita. ### Como funciona o modo híbrido em comparação ao modo de regras? O modo de regras avalia o texto estritamente por heurísticas locais, enquanto o híbrido envia apenas os casos não resolvidos ao modelo deepseek-v4.1-flash-1017 via OpenRouter em uma única requisição de até 45 segundos. ### O que acontece se uma menção tiver sentimento ambíguo ou misto? Casos mistos, incertos ou abaixo da confiança mínima não são promovidos a elogio nem contabilizados automaticamente como votos. ### Como funciona a deduplicação de elogios aceitos? A ferramenta deduplica elogios usando a combinação de commentId/entidade ou o par exato de entidade/contexto, mantendo aliases separados sem mesclagem automática. ### Como aplicar correções manuais sem reprocessar do zero? Baixe o modelo de correção gerado, mantenha os valores de id e fingerprint originais, marque 'confirmed': true e cole o JSON no campo de correções. ## Ferramentas relacionadas - [Analisador de logs estruturados](https://elysiatools.com/pt/tools/structured-log-analyzer): Detecta formatos comuns de logs, extrai campos principais e exporta em JSON, CSV ou SQL. - [Extrator de tabelas PDF para CSV/JSON](https://elysiatools.com/pt/tools/pdf-table-extractor-to-csv-json): Extrai tabelas de PDF com OpenDataLoader e exporta em JSON, CSV ou HTML - [Detector de desbalanceamento e reamostragem](https://elysiatools.com/pt/tools/dataset-imbalance-detector-resampler): Detecta desbalanceamento de classes em datasets CSV ou JSON, compara estrategias e previsualiza uma saida balanceada - [Analisador de previsao e sazonalidade](https://elysiatools.com/pt/tools/time-series-forecast-seasonality-analyzer): Projeta periodos futuros a partir de series temporais CSV ou JSON e mostra tendencia, sazonalidade e residuo - [Divisor train/test com estratificação](https://elysiatools.com/pt/tools/train-test-split-with-stratification): Lê um dataset CSV/JSON e divide em train/validation/test com amostragem estratificada pela coluna alvo (70/15/15 padrão, semente reprodutível), ou k-fold estratificado; relatório de distribuição de classes por split com barras de desvio, checagem de vazamento por linhas duplicadas, prévia de SMOTE (interpolação de vizinhos no treino) e exportação dos CSV em ZIP. - [Segmentação de atividade de voz](https://elysiatools.com/pt/tools/audio-voice-activity-segmentation): Detecta provável atividade na faixa de voz e exporta intervalos de fala/não fala em JSON, CSV, SRT ou lista FFmpeg. - [Workbench de texto confuso para dados estruturados](https://elysiatools.com/pt/tools/messy-text-to-structured-data-workbench): Infere tabelas de texto colado, delimitadores mistos, linhas chave-valor ou HTML e exporta CSV, JSON e Markdown. - [Detector de conflitos de prefixo e abreviacao em mock data](https://elysiatools.com/pt/tools/mock-data-naming-conflict-detector): Detecta nomes de campo visualmente confusos e colisoes de prefixo em CSV, JSON ou schemas ## Exemplos - [Exemplos CSV](https://elysiatools.com/pt/samples/csv-samples): Arquivos CSV de exemplo com vários tipos de dados, tamanhos e níveis de complexidade - [Exemplos Python](https://elysiatools.com/pt/samples/python): Exemplos de código Python e demonstrações Hello World - [Exemplos de Rastreamento Distribuído](https://elysiatools.com/pt/samples/distributed-tracing-samples): Exemplos completos de rastreamento distribuído usando Jaeger, OpenTelemetry e ferramentas modernas de observabilidade - [Exemplos AWS EventBridge](https://elysiatools.com/pt/samples/eventbridge-samples): Exemplos AWS EventBridge incluindo event buses, regras, targets, schema registry, eventos personalizados e roteamento de eventos entre contas para arquitetura serverless event-driven ## Conteúdo relacionado - [Revisão de recomendações por entidade no HN e entrega do ranking](https://elysiatools.com/pt/hubs/hn-entity-recommendation-review-and-ranking-handoff): Transforme comentários autorizados do HN em recomendações rastreáveis: preserve contexto, separe elogios de críticas e intenção de leitura e revise votos antes da entrega.