首先，恭喜您考虑对结果进行定性分析 :) 我知道这应该很明显，但是很多人只是假设系统可以正常工作并且不费心检查他们的输出。

现在，严格来说，您所看到的不是错误。这些是统计系统造成的错误。统计系统并不意味着一切都正确，它只是意味着“尽其所能”标记输入，其知识主要受限于 (1) 训练时使用的数据和 (2) 所做的假设在模型本身的设计中。

我不知道您使用的系统的确切特征，但我可以对您提到的错误做出有根据的猜测：

• “每天有更少的人死去”很可能被预测为否定的，因为它包含“正在死去”这个词。训练数据中可能没有（或很少）包含“死亡”一词并被标记为正面的示例。因此，系统假定任何包含“死”的句子都可能是否定的。有人可能会注意到，“更少人死亡”的积极语义在系统上完全丢失了，因为它专注于简单的线索（单个单词），它无法解析更复杂的短语。
• “大厅里的观众已经答应保持沉默。” 将是一个类似的情况：“沉默”这个词或者“保持沉默”这两个词可能只在训练期间的负面例子中被发现，所以系统只是错误地概括了包含这些词的句子是负面的。
• 讽刺的“哦，真的吗？！” 是系统正确识别的更复杂的概念。讽刺检测的任务是单独研究的，因为它对机器来说是一项艰巨的任务。我没有密切关注这个领域，所以我可能是错的，但我认为这项任务还没有达到任何令人满意的成熟度，更不用说与标准情绪分析系统集成了。

尽管如此，这些错误并不意味着结果是无用的。如果您手动注释一个随机样本并在此样本上评估系统的性能，希望您会看到系统整体表现不错。这就是对统计系统的期望：它在个人基础上并不可靠，但通常它在平均水平上做得很好。

更一般地说，所有这些错误表明自然语言理解的问题还远未解决……而且可能永远不会。好消息是 NLP 科学家还有很多有趣的问题需要解决；）