Ratgeber Sentimentanalyse · Grundlagen · 7 Min. Lesezeit

Unter deinem Post steht „Na super, wieder zwei Wochen Lieferzeit“. Du erkennst den Ärger sofort, eine Software liest womöglich „super“ und zählt einen positiven Treffer. Genau hier entscheidet sich, was eine Sentimentanalyse taugt. Sentimentanalyse ist die automatische Einordnung von Texten nach ihrer Stimmung, meist in positiv, negativ oder neutral. Hier steht, wie die drei gängigen Verfahren arbeiten, wo sie bei deutschen Texten an Grenzen stoßen und was du bei Monitoring-Tools prüfen solltest. Unser Urteil vorweg: Als Trendanzeige über viele Erwähnungen ist Sentiment brauchbar, als Urteil über einen einzelnen Kommentar kaum.

Was ist eine Sentimentanalyse?

Eine Sentimentanalyse ist ein Verfahren der Computerlinguistik, das die Stimmung oder Meinung in einem Text automatisch erkennt und einordnet. Der Informatiker Bing Liu beschreibt das Feld in seinem Lehrbuch „Sentiment Analysis“ (Cambridge University Press, 2015) als computergestützte Untersuchung von Meinungen, Gefühlen, Emotionen und Haltungen. Im Englischen heißt das Verfahren Sentiment Analysis oder Opinion Mining, im Deutschen sind Stimmungsanalyse und Sentiment-Analyse gebräuchlich.

Das Ergebnis ist meistens eine von drei Klassen: positiv, negativ oder neutral. Manche Systeme geben stattdessen einen Zahlenwert aus. Die Cloud Natural Language API von Google liefert laut ihrer Dokumentation einen Score zwischen -1,0 (negativ) und 1,0 (positiv) und dazu eine Magnitude, die die Stärke der Emotion misst.

Für die Praxis wichtig: Ein Wert nahe 0 kann zweierlei heißen. Laut Google-Dokumentation steht er entweder für einen sachlichen Text oder für gemischte Gefühle, bei denen sich starke positive und negative Aussagen gegenseitig aufheben. Erst die Magnitude trennt die beiden Fälle. Ein Tool, das nur „neutral“ anzeigt, verschluckt diesen Unterschied, und gerade gemischte Kommentare sind für Social-Media-Teams oft die interessantesten.

Wie funktioniert eine Sentimentanalyse?

Eine Sentimentanalyse funktioniert nach einem von drei Grundprinzipien: Sie schlägt Wörter in einem Lexikon nach, sie nutzt ein Modell, das an bewerteten Beispielen trainiert wurde, oder sie lässt ein großes Sprachmodell den Text einordnen. Viele Anbieter kombinieren die Ansätze und legen nicht offen, welcher im Tool arbeitet.

Verfahren	So arbeitet es	Stärke	Schwäche
Lexikonbasiert	Wörter haben feste Stimmungswerte, der Text bekommt die Summe	nachvollziehbar, ohne Trainingsdaten	erkennt Ironie und Kontext kaum
Maschinelles Lernen	Modell lernt aus Texten, die Menschen bewertet haben	passt sich an Sprache und Branche an	braucht viele bewertete Beispiele je Sprache
Große Sprachmodelle (LLMs)	Modell ordnet den Text nach Anweisung ein, ohne eigenes Training	stark, wenn kaum Beispiele vorliegen	schwächer bei komplexen Aufgaben

Lexikonbasiert: Für Deutsch gibt es mit SentiWS ein frei verfügbares Lexikon der Universität Leipzig. Laut der Veröffentlichung von Remus, Quasthoff und Heyer (LREC 2010) enthält Version 1.8b 1.650 negative und 1.818 positive Wörter sowie jeweils über 16.000 Wortformen. Jedes Wort trägt ein Gewicht zwischen -1 und 1. Überwiegen positiv gewichtete Wörter, gilt der Text als positiv.

Maschinelles Lernen: Hier lernt ein Modell aus Texten, die Menschen vorher eingestuft haben. Laut Forschenden der ZHAW (Grubenmann et al., LREC 2018) setzen die meisten Lösungen auf überwachtes maschinelles Lernen, etwa Support Vector Machines oder neuronale Netze, und brauchen dafür manuell annotierte Trainingsdaten. Fehlen solche Daten für eine Sprache, fehlt dem Modell die Grundlage.

Große Sprachmodelle: LLMs ordnen Texte ohne eigenes Training ein. Eine Studie von Zhang et al. (2023, Mitautor Bing Liu) mit 13 Aufgaben und 26 Datensätzen kommt zu dem Ergebnis: Bei einfachen Aufgaben schneiden LLMs ordentlich ab und schlagen kleine Spezialmodelle, wenn kaum Trainingsbeispiele vorliegen. Bei Aufgaben, die tieferes Verständnis oder strukturierte Ergebnisse verlangen, fallen sie zurück.

Wo stößt die Sentimentanalyse an Grenzen?

Die Sentimentanalyse stößt an Grenzen, sobald die Bedeutung eines Textes von Ironie, Dialekt oder Kontext abhängt. Das trifft gerade die kurzen, umgangssprachlichen Texte, die in sozialen Netzwerken üblich sind.

Ironie und Sarkasmus: Sarkasmus kann die Stimmung eines Beitrags ins Gegenteil drehen. Diana Maynard und Mark Greenwood (LREC 2014) schreiben, dass Sarkasmus in sozialen Medien häufig und selbst für Menschen schwer zu deuten ist; viele Sentiment-Systeme klammern ihn deshalb aus. Mit eigenen Regeln für Sarkasmus-Signale, vor allem in Hashtags, erreichten sie 91 % Präzision bei der Sarkasmus-Erkennung. Das „Na super“ aus der Einleitung ist genau so ein Fall.

Dialekt: Schweizerdeutsch hat keine einheitliche Rechtschreibung und gilt als ressourcenarme Sprache. Das schreiben die ZHAW-Forschenden in ihrer Arbeit zum Korpus SB-CH, nach eigener Angabe dem ersten Schweizerdeutsch-Korpus mit Sentiment-Annotationen. Geschrieben wird Mundart laut den Autor:innen vor allem privat, in Chats und Kommentaren, also genau dort, wo Social Media Monitoring sucht. Ihr Basismodell (Support Vector Machine) erkannte neutrale Sätze gut, mit einem F1-Wert von 0,80, negative und positive deutlich schlechter (0,31 und 0,48). Für österreichische Mundart haben wir keine vergleichbare Studie gefunden.

Kontext: Selbst Menschen sind sich uneinig. Im SB-CH-Korpus lag die Übereinstimmung der Annotator:innen bei einem Krippendorff-Alpha von 0,75 für positiv, negativ und neutral. Mit den Zusatzklassen für unklare Fälle, zu denen die Forschenden Ironie und Sarkasmus zählten, sank sie auf 0,42. Wie stark Kontext zählt, zeigt ein Beispiel aus den SB-CH-Richtlinien: „Lügnid!“ (Lügt nicht!) wurde wegen des Wortes für Lügen als negativ eingestuft, obwohl es im Chat auch als neckische, positive Antwort gemeint sein kann. Ohne den Gesprächsverlauf lässt sich das nicht entscheiden. Wo Menschen schwanken, liefert auch Software keine sichere Einstufung.

Wofür nutzt du Sentimentanalyse im Social Media Monitoring?

Im Social Media Monitoring nutzt du Sentimentanalyse vor allem, um die Stimmung über viele Erwähnungen hinweg zu verfolgen und Ausschläge früh zu bemerken. Ein einzelner Treffer sagt wenig, ein Verlauf über Wochen viel. Typische Einsätze laut Anbieterangaben, Stand Oktober 2026:

• Frühwarnung: Meltwater meldet negative Sentiment-Ausschläge per Alert. Sprout Social schlägt in Listening bei Änderungen von Volumen, Impressions, Engagement oder Sentiment Alarm.
• Inbox sortieren: Bei Swat.io markierst du die Stimmung von Inbox-Kommentaren manuell, per KI oder per Automatisierung. Facelift ordnet im Posteingang per Emoticon positiv, negativ oder neutral zu.
• Inhalte bewerten: Fanpage Karma analysiert die Stimmung von Posts und Kommentaren per KI.
• Bewertungen auswerten: Sprout Social zeigt Sentiment laut Preisseite auch für Reviews, ab Plan Advanced.
• Wettbewerb einordnen: Talkwalker nennt Benchmarking nach Wettbewerbern, Sentiment und Branche.

Werte vor allem die Veränderung aus. Ein plötzlicher Anstieg negativer Erwähnungen ist ein Signal, das du dir genauer ansehen solltest. Der absolute Anteil hängt stark davon ab, wie ein Tool neutrale und gemischte Texte behandelt, und lässt sich zwischen Tools kaum vergleichen. Plane in den ersten Wochen Stichproben ein: Lies regelmäßig einige als negativ und als positiv markierte Treffer selbst und notiere, wie oft das Tool danebenliegt. Erst dann weißt du, wie viel Gewicht die Kurve im Reporting verdient. Wie du Suchbegriffe anlegst und Treffer auswertest, erklärt unser Ratgeber Social Listening.

Worauf solltest du bei Sentiment-Tools achten?

Bei Sentiment-Tools, also jedem Sentiment-Analyse-Tool im Monitoring, solltest du zuerst prüfen, ob die Analyse für deutsche Texte belegt ist, dann ob du Einstufungen korrigieren kannst und in welchem Plan die Funktion steckt. Für deutsche Texte belegen in unserer Datenbasis nur Brand24, Emplifi und YouScan Sentiment ausdrücklich (Stand Oktober 2026); Brand24 schreibt laut Hilfe-Center selbst, dass die Genauigkeit je Sprache unterschiedlich ist. Bei den übrigen Tools heißt das nicht, dass es schlecht funktioniert. Die Anbieter dokumentieren es nur nicht öffentlich. Sprout Social nennt in seinem Hilfe-Artikel zur Sentiment-Bestimmung mehrere Sprachen, veröffentlicht die Liste aber nicht. Talkwalker gibt an, auch einfache Formen von Sarkasmus zu erkennen. Für eine Sentiment Analysis auf Deutsch zählt am Ende dein eigener Test.

Tool	Sentiment laut Anbieter (Oktober 2026)	Einschränkung
Agorapulse	Score von 0 bis 100 im Advanced Listening	Inbox-Sentiment ab Plan Advanced
Later	Sentiment für Instagram, TikTok und Facebook-Seiten	nur Plan Scale, Verlauf 90 Tage
Planable	KI-Einstufung positiv, neutral, negativ	Teil des Listening-Add-ons
SocialHub	Sentiment je Ticket, auch automatisch per KI	KI-Sentiment nur im Enterprise-Paket
Swat.io	Inbox-Kommentare manuell, per KI oder Automatisierung	ab Plan Large
Meltwater	KI-gestützt, Alerts bei negativen Ausschlägen	keine öffentlichen Preise

Diese Fragen klärst du im Test:

1. Deutsch prüfen: Lass eine Stichprobe eigener Kommentare einstufen, darunter ironische und mundartliche, und vergleiche mit deiner eigenen Bewertung.
2. Korrigieren: Kannst du falsche Einstufungen von Hand ändern? APA-Comm nennt das in einem Vertragsangebot, das die RTR 2025 veröffentlicht hat.
3. Skala: Drei Klassen oder ein Score? Ein Score zeigt Abstufungen, drei Klassen sind leichter zu berichten.
4. Methode: Frag, ob ein Lexikon, ein trainiertes Modell oder ein LLM arbeitet und auf welchen Sprachen es geprüft wurde.
5. Kanäle und Plan: Prüf, für welche Netzwerke Sentiment gilt und ab welchem Plan. Bei Later gilt es nur für Instagram, TikTok und Facebook-Seiten im Plan Scale, bei SocialHub läuft die KI-Einstufung nur im Enterprise-Paket.

Weitere Tools mit Sentiment vergleichen wir bei den Social-Media-Monitoring-Tools. Wie wir Sentiment bewerten, steht in unserer Methodik, passende Kandidaten filterst du im Tool-Finder.