AI měří emoce v textu špatně. Vědci našli chybu po 70 letech

Když dnes necháte AI vyhodnotit, jestli je zákaznická recenze pozitivní, nebo negativní, pracuje s mapou emocí, kterou psychologové nakreslili v 50. letech minulého století. Nová studie v časopise Science Advances tvrdí, že ta mapa má špatně otočené osy — a že lidský jazyk je systematicky zaujatý směrem k bezpečí.

Tým z University of Vermont vedený Peterem Doddsem a Chrisem Danforthem prošel miliardy použití více než 20 000 slov napříč sedmi různými sbírkami textů. Výsledek: rámec, na kterém stojí velká část dnešní analýzy sentimentu, vysvětlí jen asi 72 % toho, jak lidé skutečně vnímají význam slov. Nové uspořádání se dostane přes 90 %.

Mapa emocí z 50. let, kterou AI používá dodnes

Od 50. let se význam slov v psychologii měří třemi osami, kterým se říká VAD:

• Valence — je to slovo příjemné, nebo nepříjemné?
• Arousal — vzrušuje, nebo uklidňuje?
• Dominance — mám nad tím kontrolu, nebo ono nade mnou?

Z těchto tří čísel vycházejí slovníky, které dodnes pohánějí spoustu nástrojů na analýzu sentimentu — od monitoringu značky přes třídění recenzí až po vyhodnocování dotazníků spokojenosti.

Problém, na který vermontský tým narazil: ty tři osy nejsou nezávislé. Překrývají se. A když se slova zváží podle toho, jak často se opravdu používají — ne jen jako hesla ve slovníku — obraz se změní. Je to podobné, jako byste měřili město podle mapy otočené o třicet stupňů. Dojdete tam, ale každá vzdálenost je trochu špatně.

Tři nové osy: moc, nebezpečí a struktura

Autoři navrhují jiný rámec, který nazvali ousiometrie (z řeckého ousia, podstata). Místo valence, arousalu a dominance pracuje s těmito třemi osami:

Osa	Od	Do	Podíl na významu
Moc (power)	slabý	mocný	45,5 %
Nebezpečí (danger)	bezpečný	nebezpečný	45,5 %
Struktura (structure)	uspořádaný	chaotický	9,1 %

První dvě osy spolu vysvětlí 90,9 % variability ve významu slov. Původní dvojice valence + arousal se dostala na 72,4 %. Není to tedy tak, že by stará metoda nefungovala — jen měří pod špatným úhlem a část informace jí propadne mezi prsty.

Jazyk se bojí mluvit o nebezpečí

Nejzajímavější zjištění přišlo až při pohledu na reálné texty. Vědci analyzovali sedm velmi odlišných sbírek: romány Jane Austenové, povídky o Sherlocku Holmesovi, anglickou beletrii z Google Books (1900–2019), New York Times (1987–2007), anglickou Wikipedii, přepisy rozhlasových pořadů a zhruba desetinu všech anglických tweetů z roku 2020.

Ve všech sedmi se ukázal stejný sklon: lidé používají výrazně častěji slova spojená s bezpečím než slova spojená s nebezpečím. Autoři tomu říkají safety bias, zaujatost k bezpečí.

A tím se mimochodem vysvětluje jedna stará záhada. Psychologie zná od 60. let takzvaný Pollyanna princip — pozorování, že ve všech zkoumaných jazycích (potvrzeno na 24 sbírkách textů v 10 jazycích) lidé mluví spíš pozitivně než negativně. Podle nové studie to není samostatný jev, ale jen stín: jednorozměrný průmět hlubší zaujatosti k bezpečí. Mluvíme pozitivně proto, že mluvíme hlavně o tom, co je bezpečné.

Osa moci se přitom chová jinak. Její medián byl ve všech sedmi sbírkách na nule nebo nad ní — jazyk nemá sklon popisovat svět jako slabý.

Co z toho plyne pro firmu, která AI nechává číst zpětnou vazbu

Většina komerčních nástrojů na sentiment vám o textu řekne jedno číslo na škále „negativní – pozitivní“. Studie naznačuje, že tím zahazujete informaci, která může být pro rozhodování cennější:

• Nespokojený zákazník ≠ vystrašený zákazník. Stížnost na pomalé dodání a obava, že přijdete o peníze, skončí na stejném skóre „negativní“. Ale vyžadují úplně jinou reakci.
• Riziko a důvěra mají vlastní osu. Texty o bezpečnosti, smlouvách nebo financích se na jednorozměrné škále rozmažou.
• Vysvětlitelnost. Tři konkrétní osy se v reportu obhajují lépe než jedno neprůhledné skóre.

Praktický závěr není „vyhoďte analýzu sentimentu“. Spíš: nebrat jedno číslo z nástroje jako hotovou pravdu a vědět, co přesně měří. Moderní jazykové modely umí vrátit strukturovanější hodnocení — stačí jim říct, podle jakých os mají text posuzovat.

Pokud přemýšlíte, jak zpracovat vlastní hromadu recenzí, dotazníků nebo e-mailů a nevíte, kde začít, ozvěte se nám do Praxia — projdeme to s vámi krok za krokem a řekneme vám i to, co nechcete slyšet. Úvodní konzultace je zdarma. Jak takové nasazení vypadá v praxi, ukazujeme v sekci AI v praxi.

Otázka na závěr

Sedmdesát let jsme měli za to, že základní otázka, kterou si mozek u každého slova klade, zní „je to dobré, nebo špatné?“. Podle vermontského týmu zní spíš „je to bezpečné, nebo nebezpečné?“ a „mám nad tím moc, nebo ne?“.

Pokud je to pravda, je to docela silná poznámka k tomu, jak funguje i naše vlastní pozornost — a proč nás titulky o hrozbách zvedají ze židle víc než cokoliv jiného. A hlavně: kolik dalších „samozřejmých“ metrik, které dnes používáme v byznysu i v AI, měří svět pod špatným úhlem?

Často kladené otázky

Co je ousiometrie?

Ousiometrie je metoda měření významu slov, kterou v roce 2026 představil tým z University of Vermont v časopise Science Advances. Místo tradičních os valence, arousal a dominance pracuje se třemi osami: moc, nebezpečí a struktura. Na reálných textech vysvětlí přes 90 % variability významu oproti zhruba 72 % u staršího rámce.

Znamená to, že analýza sentimentu nefunguje?

Ne. Znamená to, že jednorozměrné skóre „pozitivní – negativní“ zahazuje část informace, hlavně tu o riziku a kontrole. Pro hrubé třídění zpětné vazby stačí; pro rozhodování o rizicích, důvěře nebo financích je lepší text hodnotit ve více rozměrech.

Jak to ovlivní AI nástroje, které firmy používají dnes?

Okamžitě nijak — jde o výzkum, ne o aktualizaci produktu. Prakticky ale můžete výsledek využít hned: když velkému jazykovému modelu v promptu zadáte, aby text ohodnotil zvlášť podle míry rizika, míry kontroly a míry chaosu, dostanete použitelnější výstup než jedno číslo sentimentu.

Zdroje: ScienceDaily — A hidden bias in human language challenges 70 years of science · Dodds et al., Science Advances (2026): Ousiometrics · arXiv preprint 2110.06847 · SciTechDaily