> ## Documentation Index > Fetch the complete documentation index at: https://docs.qwairy.co/llms.txt > Use this file to discover all available pages before exploring further. # L’IA génère-t-elle un sentiment négatif sur ma marque pour certains Topics ? > Filtrez le sentiment par Topic, fournisseur, modèle et période, puis lisez les réponses enregistrées sous-jacentes avant d’interpréter un schéma. ## Réponse directe Utilisez **Analyze > Sentiment** pour filtrer les résultats par Topic et examiner les réponses enregistrées classées négatives. Vérifiez que chaque réponse concerne bien votre marque et le Topic visé avant d’y voir un schéma. ## Données nécessaires Utilisez un ensemble de prompts stable, les Topics principaux, éventuellement des Tags, le fournisseur et le modèle, la période, les réponses enregistrées, les classements de sentiment, les mentions SELF/DIRECT et les URL citées. Distinguez le rattachement aux Topics des Tags réutilisables. ## Méthode Sélectionnez le Topic, la période, les fournisseurs et les modèles concernés. Vérifiez que les prompts configurés testent vraiment la préoccupation. Comparez les catégories de sentiment et le nombre de réponses dans la cohorte sélectionnée. Conservez le dénominateur et les filtres dans tout rapport. Examinez des réponses négatives et non négatives représentatives. Distinguez critiques factuelles, compromis, affirmations non étayées et classements hors sujet. Vérifiez si le schéma persiste selon les prompts, fournisseurs, modèles et exécutions ultérieures, sans modifier plusieurs filtres à la fois. ## Interprétation Le sentiment est un classement des termes observés dans les réponses, pas un score de satisfaction client ni de santé de la marque. Une part négative plus élevée sur un Topic peut refléter la formulation des prompts, un petit nombre de réponses, le mélange de fournisseurs ou un véritable discours récurrent. Les données servent à investiguer, pas à fixer un seuil universel. ## Actions possibles * Si une affirmation négative factuelle revient, vérifiez-la et testez une démarche de correction avec des preuves de référence. * Si une critique reflète un vrai compromis, testez un positionnement plus clair sur le public visé et les limites. * Si le résultat tient à un seul prompt, ne revoyez le dispositif de suivi qu’après avoir confirmé que ce prompt n’est pas représentatif. ## Limites Le sentiment automatisé peut mal classer les nuances, les comparaisons ou les citations. Les résultats ne couvrent que les réponses enregistrées sélectionnées. L’endpoint REST des réponses expose ses propres champs : ne supposez pas, sans vérification, qu’il reproduit les agrégations de sentiment du produit. ## Pages associées Faites votre reporting sur les réponses sous-jacentes. Consultez la méthode de sentiment du produit. Utilisez le contrat REST des réponses documenté. Comparez des cohortes stables d’une période à l’autre. Vérifiez que les prompts couvrent le Topic visé. Traitez les erreurs factuelles vérifiées. Lisez les réponses enregistrées en contexte. This documentation is built and hosted on [Mintlify](https://mintlify.com), a developer documentation platform.