Como Fazer Análise de Sentimentos com ChatGPT: Passo a Passo

Aprenda como fazer análise de sentimentos com ChatGPT, passo a passo, usando IA para entender comentários, opiniões e avaliações com precisão.

Introdução

Fazer análise de sentimentos com ChatGPT se tornou uma das formas mais rápidas e inteligentes de entender o que as pessoas realmente pensam sobre um produto, serviço, vídeo ou até sobre a sua marca.

Em um mundo onde tudo é avaliado — do motorista do aplicativo ao café que você pediu — conseguir interpretar essas opiniões com clareza virou uma habilidade valiosa para qualquer profissional que trabalha com dados, marketing ou conteúdo.

O melhor é que você não precisa dominar técnicas avançadas de machine learning para começar. Hoje, o ChatGPT consegue fazer praticamente todo o processo: limpar os textos, interpretar o contexto, identificar emoções e até gerar gráficos e conclusões prontas para apresentação.

E o mais interessante é que, com o prompt certo, ele deixa de apenas “classificar comentários” e passa a realizar uma análise completa, com insights acionáveis que realmente ajudam na tomada de decisão.

Neste artigo, você vai ver exatamente como isso funciona, do passo a passo à prática. Vamos usar de exemplo uma análise real com mil comentários, mostrar quais prompts foram usados e revelar como você pode aplicar a mesma metodologia em qualquer base de dados, mesmo que seja iniciante.

Se você quer aprender, na prática, como a IA pode turbinar suas análises de dados, você está no lugar certo.

Para fazer o download do(s) prompt(s) utilizados na aula, preencha com o seu e-mail:

Não vamos te encaminhar nenhum tipo de SPAM! A Hashtag Treinamentos é uma empresa preocupada com a proteção de seus dados e realiza o tratamento de acordo com a Lei Geral de Proteção de Dados (Lei n. 13.709/18). Qualquer dúvida, nos contate.

O que é análise de sentimentos com ChatGPT?

A análise de sentimentos com ChatGPT é o processo de usar inteligência artificial para interpretar emoções por trás de textos — como elogios, críticas, dúvidas, reclamações ou simples comentários neutros.

Em vez de apenas “contar palavras positivas e negativas”, o ChatGPT entende o contexto, o tom, a força emocional e até nuances como ironia. Isso permite transformar listas enormes de textos em insights claros, com gráficos, scores e indicadores fáceis de entender.

Quando você pede para o ChatGPT analisar uma base inteira, como fizemos neste exemplo com 1.000 comentários, ele identifica automaticamente quantos são positivos (355), neutros (491) e negativos (154), além de gerar um score médio de 0,0505 (levemente positivo).

Como a IA interpreta emoções em textos

A IA faz isso combinando três camadas principais:

1. Léxico (palavras isoladas)
   Exemplos que aparecem na análise:
   • adorei, luz, captou → positivos
   • confuso, superficial, vlog → negativos
2. Polaridade (escala de –1 a +1)
   Aqui, cada comentário recebe uma nota.
   • –1 → muito negativo
   • 0 → neutro
   • +1 → muito positivo
   Exemplo real do arquivo:
   • “Vídeo confuso…” → perto de –1
   • “Adorei a luz, ficou incrível!” → perto de +1
   • “Poxa, legal, gostei” → positivo fraco, próximo do 0.2–0.3
3. Análise contextual (o segredo)
   O ChatGPT entende ironia, negações e intensificadores.
   • “Não é ruim” → positivo
   • “Gostei, mas poderia ser menos confuso” → neutro tendendo a negativo
   • “Perfeito!!!” → muito positivo

Por que empresas usam análise de sentimentos

Porque opinião virou métrica. E métrica virou estratégia.

Com a análise de sentimentos com IA, dá para:

• medir satisfação sem precisar ler tudo manualmente;
• detectar riscos (ex.: aumento de comentários negativos);
• entender se campanhas, vídeos ou conteúdos estão funcionando;
• descobrir dores ocultas dos clientes;
• gerar insights para produto, marketing e atendimento.

O ChatGPT facilita ainda mais porque entrega tudo pronto: gráficos, KPIs, ranking de palavras, bigramas e até recomendações.

Exemplo real do estudo do vídeo:

• Palavras mais frequentes: adorei, luz, cidade, captou, pôr do sol.
• Bigramas mais usados: “você captou”, “pôr do sol”.
• Interpretação: o público valorizou a estética e a luz do vídeo.

Para quem trabalha com marketing ou análise de dados, isso elimina suposições e traz clareza.

Exemplos práticos de aplicação no dia a dia

A análise de sentimentos com IA funciona em praticamente qualquer cenário:

• YouTube: entender se seu vídeo foi bem recebido (como fizemos com os 1.000 comentários).
• Produtos: monitorar avaliações de e-commerce e detectar padrões.
• Atendimento: analisar mensagens de WhatsApp/Instagram em escala.
• Pesquisa interna: interpretar respostas abertas de funcionários.
• Redes sociais: monitorar menções positivas/negativas sobre sua marca.

Exemplo real do caso do vídeo analisado nos arquivos dessa aula:

• Positivos superam negativos em ~20 p.p.
• O público ama a luz, o pôr do sol e a estética.
• O ponto de melhoria é a clareza da narrativa (“confuso” aparece várias vezes).

Passo a passo: como fazer análise de sentimentos com ChatGPT

Agora vamos para a parte prática. Aqui você vai ver, na ordem, como fazer análise de sentimentos com ChatGPT, do zero até os gráficos e recomendações finais.

Etapa 1: Coletando os dados para análise

Antes de qualquer IA brilhar, você precisa dos dados.
No nosso exemplo, usamos 1.000 comentários de um vídeo fictício sobre o Rio de Janeiro no YouTube.

Você pode coletar textos de vários lugares:

• comentários de YouTube, Instagram, TikTok;
• avaliações de produtos em e-commerces;
• respostas abertas de pesquisas;
• mensagens de atendimento e suporte.

O objetivo aqui é simples: juntar tudo em um só lugar.
Geralmente, o melhor formato é uma planilha Excel ou CSV, com pelo menos:

• uma coluna com o texto do comentário;
• opcionalmente, ID, data, nota, canal etc.

Depois disso, é essa base que você vai enviar para o ChatGPT.

Etapa 2: Limpeza e pré-processamento

Por que essa etapa existe? Porque texto “cru” vem cheio de ruído: emojis, abreviações, erros de digitação, links, etc. E isso atrapalha a leitura da IA e qualquer análise léxica mais tradicional.

Na nossa análise de sentimentos com IA, o modelo fez:

• padronização para minúsculas;
• remoção de ruídos (links, caracteres soltos);
• tokenização (quebrar o texto em palavras);
• remoção de stopwords como “de”, “para”, “que”.

Não precisa escrever código se você estiver usando o ChatGPT. Você pode simplesmente pedir algo como:

“Limpe e pré-processe esses comentários: padronize para minúsculas, remova ruídos, quebre em tokens e prepare para análise de sentimentos.”

Etapa 3: Como o ChatGPT classifica sentimentos

Aqui começa a mágica. Depois de limpar os textos, o modelo passa a analisar o conteúdo e atribuir um rótulo para cada comentário:

• positivo
• neutro
• negativo

Na prática, ele faz algo assim:

• “Adorei a luz do vídeo” → positivo
• “Vídeo confuso, não entendi nada” → negativo
• “Legal, mas nada demais” → neutro ou levemente positivo

O interessante é que, com o prompt certo, a análise de dados com ChatGPT não fica só em rótulos.
Você pode pedir uma coluna extra com a classificação:

• comentário
• classe_sentimento (positivo, neutro, negativo)

No nosso exemplo dos 1.000 comentários, o ChatGPT classificou:

• 355 positivos
• 491 neutros
• 154 negativos

Etapa 4: Cálculo de polaridade (de –1 a +1)

A classificação por rótulo é legal. Mas ela ainda é “grossa”. Para entender nuances, a gente usa polaridade.

A ideia é simples: Cada comentário recebe uma nota contínua em uma escala de –1 a +1:

• –1 → muito negativo
• 0 → neutro
• +1 → muito positivo

Você pode pedir algo assim no prompt:

“Para cada comentário, atribua uma pontuação de sentimento de –1 a +1 e uma classe (positivo, neutro ou negativo).”

Depois disso, basta pedir para o ChatGPT calcular o score médio, no nosso caso: score médio ≈ 0,0505 → levemente positivo.

Etapa 5: Análise contextual (ironia, força emocional e nuances)

Aqui é onde o ChatGPT se destaca em relação a métodos mais simples de análise de sentimentos com IA.

Ele não olha só a palavra solta. Ele tenta entender o contexto:

• “Não é ruim” → tende a positivo.
• “Ótimo, mais um atraso…” → ironia, tende a negativo.
• “Gostei, mas ficou confuso” → sentimento misto.

Você pode guiar isso no prompt:

“Considere ironia, negações, intensidade emocional e contexto semântico ao classificar o sentimento de cada comentário.”

Além disso, ele consegue diferenciar:

• “Gostei” vs. “Amei demais, perfeito!!!”
• “Legal” vs. “Incrível, você captou a alma da cidade”.

Isso ajuda a deixar a análise de dados com ChatGPT muito mais humana.

Etapa 6: Gerando gráficos e indicadores com IA

Depois de classificar tudo, é hora de visualizar. Na nossa análise, o ChatGPT já descreveu:

• Distribuição de sentimentos:
  • 35,5% positivos
  • 49,1% neutros
  • 15,4% negativos
• Palavras mais frequentes:
  • “você”, “vídeo”, “adorei”, “cidade”, “mostra”, “captou”, “luz”, “pôr do sol” etc.
• Bigramas mais comuns:
  • “você captou”, “pôr do sol”…

Com isso, você pode:

• montar um gráfico de pizza com positivo/negativo/neutro;
• criar um gráfico de barras com as Top 15 palavras;
• gerar uma nuvem de palavras.

E não precisa se preocupar em fazer isso manualmente, basta pedir e o ChatGPT gera isso em segundos pra você.

Etapa 7: Interpretando resultados e criando recomendações

Por fim, vem o ponto que mais interessa para negócios: o que fazer com essa análise?

No nosso exemplo, o ChatGPT chegou a conclusões como:

• o vídeo foi bem recebido;
• o apelo estético (luz, pôr do sol, sons) é o grande diferencial;
• uma parte pequena, mas relevante, acha o vídeo confuso.

A partir disso, ele sugeriu ações:

• manter a qualidade visual;
• melhorar a clareza da narrativa;
• usar capítulos e legendas-guia;
• testar formatos diferentes;
• fazer CTAs mais direcionados (“Qual cena você mais gostou?”).

É aqui que a análise de sentimentos com ChatGPT vira valor real: Ela sai do “legal, o público gostou” e entra no “o que eu mudo no próximo conteúdo?”, “como posso melhorar meu produto?”.

E a melhor parte? Você só precisa do prompt certo — e ele está detalhado na próxima seção. Além disso, você pode baixá-lo diretamente no material disponível no começo desse artigo.

O prompt exato usado na nossa análise

Um dos pontos mais importantes para fazer análise de sentimentos com ChatGPT do jeito certo é escrever um bom prompt.

No PDF da aula, te mostro exatamente como fazer: primeiro pedir para o ChatGPT explicar como realizar a análise perfeita; só depois enviar a base com os comentários. Esse detalhe muda tudo e é isso que vamos destrinchar aqui.

Como montar prompts que levam a análises completas

Um prompt bom não começa pedindo “analise essa base”. Um prompt bom começa perguntando:

“O que é analise de sentimentos? como seria uma analise de sentimentos completa?”

Por quê? Porque o ChatGPT explicita a metodologia antes de aplicar. Você força a IA a se comprometer com um processo estruturado, e não com um chute rápido.

Depois dessa primeira etapa, você envia a planilha e dá a instrução final:

“Entendi. Estou enviando uma base de dados com os comentários sobre um vídeo postado na internet. Quero que siga o passo-a-passo que vc listou para elaborar uma análise de sentimentos completa com base nos comentários desse vídeo. Não esqueça de gerar gráficos, indicadores, análises e conclusões sobre essa base.”

É isso que transforma o modelo em um “analista de dados assistido por IA”, com método, KPIs, polaridade e até recomendações.

Exemplo real da resposta gerada após esse prompt:

• 1.000 comentários analisados
• 355 positivos | 491 neutros | 154 negativos
• Score médio 0,0505
• Gráficos: distribuição de sentimentos, top palavras, top bigramas

Explicação do passo a passo do prompt

O prompt funciona porque ele obriga o ChatGPT a:

1. Descrever o método completo: (coleta, limpeza, análise léxica, polaridade, contexto, visualização, recomendações)
2. Explicar cada etapa antes de aplicar: Isso melhora a precisão e reduz erros.
3. Se comprometer com uma estrutura: Assim, quando você envia a base, ele “segue o plano”.

No PDF, o modelo listou exatamente estas etapas:

• Coleta e leitura da base
• Limpeza e pré-processamento
• Modelo léxico com regras de negação
• Cálculo de polaridade (–1 a +1)
• Exploração de temas (palavras + bigramas)
• Visualização (gráficos, KPIs)
• Conclusões e recomendações

Depois disso, ao receber a planilha, a IA aplicou tudo sozinha.

Por que pedir o método antes de enviar a base melhora o resultado

Essa é a sacada de ouro da análise de dados com ChatGPT. Quando você pergunta primeiro:

“Como fazer uma análise de sentimentos completa?”

…o modelo:

• ativa a memória técnica dele;
• descreve todas as etapas;
• organiza as ferramentas que vai usar;
• estabelece um padrão de qualidade;
• remove ambiguidades do processo.

Só depois você envia sua base. Ou seja: você “treina” o modelo no seu modo de pensar antes de dar a tarefa real.

Isso garante:

• mais precisão,
• menos erros,
• resultados mais completos,
• gráficos mais relevantes,
• análises mais profundas.

Essa abordagem funciona não só para análise de sentimentos, mas para qualquer análise de dados com IA: sentimento, clusterização, classificação, categorização, criação de dashboards e muito mais.

Veja mais dicas e conteúdos sobre Análise de Dados com ChatGPT clicando aqui.

Exemplo real: análise de 1.000 comentários de um vídeo

Agora que você já entendeu o método, vamos ver como fazer análise de sentimentos com ChatGPT na prática. Usamos uma base real com 1.000 comentários de um vídeo fictício sobre o Rio de Janeiro.

O ChatGPT aplicou polaridade, classificou sentimentos, gerou gráficos, descobriu padrões e até sugeriu ações.

Distribuição dos sentimentos (positivo, neutro, negativo)

A primeira coisa que o ChatGPT gera é a distribuição dos sentimentos. Isso ajuda a entender o clima geral do público — de forma rápida e visual.

No nosso caso:

• Positivos: 355 (35,5%)
• Neutros: 491 (49,1%)
• Negativos: 154 (15,4%)
• Score médio: 0,0505 → levemente positivo

Essa visão já responde a primeira pergunta que todo criador/empresa faz: o público curtiu ou não?

Palavras e bigramas mais frequentes

Para entender por que as pessoas gostaram (ou não), o ChatGPT também lista as palavras mais repetidas.
Isso ajuda a identificar temas, elogios, dores e padrões.

No top 15 palavras, apareceram:

• “adorei”, “cidade”, “luz”, “vídeo”, “captou”, “pôr”, “sol”, “sons”

Essas palavras mostram que o público amou a estética do vídeo: luz, sunset, áudio, vibe sensível.

Nos bigramas, os destaques foram:

• “você captou”
• “pôr do sol”
• “adorei você”

Bigramas ajudam a entender expressões completas, não só palavras soltas e são parte essencial de uma análise de sentimentos com IA mais refinada.

Comentários extremos (mais positivos e mais negativos)

Outro ponto legal: o ChatGPT identifica os comentários mais fortes, tanto positivos quanto negativos.
Isso dá um “zoom” nos extremos do sentimento.

Exemplos (resumidos):

Mais positivos:

• “Adorei a luz, que vídeo incrível!”
• “Você captou exatamente a alma da cidade.”
• “Lindo demais, me emocionou.”

Mais negativos:

• “Vídeo confuso, não entendi nada.”
• “Achei muito pessoal, parecia um vlog perdido.”
• “Faltou clareza na narrativa.”

Ver os extremos ajuda a:

• entender o que te diferencia (seu ponto forte);
• identificar o que realmente incomodou quem reclamou.

KPIs gerados automaticamente pelo ChatGPT

Além da classificação, o ChatGPT entrega indicadores (KPIs) prontos para colocar em um relatório ou dashboard.

Os principais KPIs da nossa análise:

• Total de comentários: 1.000
• Positivos: 355
• Neutros: 491
• Negativos: 154
• % Positivos: 35,5%
• % Negativos: 15,4%
• Polaridade média: 0,0505
• Palavras mais citadas: adorei, luz, cidade, vídeo, pôr do sol
• Principais temas: estética visual, iluminação, sensibilidade

Isso já vira matéria-prima perfeita para Power BI ou Excel.

Se quiser criar dashboards com esses KPIs, aqui tem conteúdos pra você aprender como fazer dashboards completos no Power BI: Guia do Dashboard no Power BI [Passo a Passo Completo].

Como interpretar os resultados da sua análise

Depois de rodar a análise de sentimentos com ChatGPT, vem a parte que realmente faz diferença: interpretar os resultados e transformar tudo em ações práticas.

Não adianta ter gráfico bonito se você não sabe o que ele significa e o que fazer com ele.

Como detectar padrões e oportunidades

A primeira leitura é sempre olhar a distribuição dos sentimentos. Ela mostra a “temperatura” geral do público. Mas os melhores insights escondem-se nos detalhes.

Exemplo do nosso caso:

• 49,1% dos comentários foram neutros
• 35,5% positivos
• 15,4% negativos
• Polaridade média 0,0505 (quase neutra, mas puxando para positivo)

O que isso revela?

• Neutro demais pode significar pouca emoção → oportunidade para CTAs melhores.
• Positivos relevantes indicam pontos fortes sólidos, que devem ser reforçados.
• Negativos direcionados a um mesmo tema apontam gargalos claros.

No vídeo analisado, os padrões foram evidentes:

• Tema dominante positivo: estética (luz, pôr do sol, sons).
• Tema dominante negativo: confusão narrativa.

Ou seja: o público ama o visual, mas quer mais clareza.

Para identificar esses padrões, o ChatGPT usa:

• Top palavras (“luz”, “captou”, “adorei”)
• Top bigramas (“você captou”, “pôr do sol”)
• Comentários extremos (mais positivos e mais negativos)

E tudo isso aparece automaticamente nos gráficos.

Como transformar insights em ações práticas

Agora vem a parte mais importante: tomar decisão baseada no que a IA encontrou.

Pegando os insights do exemplo, o ChatGPT sugeriu ações como:

• Reforçar o que funcionou:
  Mais cenas com luz natural, sunset, sons da cidade, estética sensível.
• Corrigir o ponto fraco:
  Melhorar a clareza da narrativa (títulos de seção, capítulos, legendas).
• Aumentar emoção no conteúdo:
  Perguntas mais direcionadas para puxar sentimento (“Qual cena você mais gostou?”).

Isso vale para qualquer área:

• E-commerce: se “atraso”, “troca” e “demora” surgem nos bigramas, é hora de revisar logística.
• Atendimento: se “educado”, “rápido”, “resolveu” aparecem muito, esses são pontos a destacar.
• Marketing: se os positivos são sobre vibe, estética e sensação, isso vira estratégia de conteúdo.

A interpretação também envolve métricas simples. Por exemplo, se você quiser medir o “saldo emocional”:

Índice de Sentimento = %positivos − %negativos

No nosso caso:

35,5% − 15,4% = 20,1%

Isso confirma a percepção geral: o vídeo foi bem recebido, mesmo com críticas.

Quando usar modelos supervisionados (além do ChatGPT)

Apesar de ser poderoso, o ChatGPT usa uma análise léxica + contextual que nem sempre captura tudo — especialmente sarcasmo, gírias locais e termos muito específicos de nicho.

Se você precisa:

• mais precisão,
• mais controle,
• mais detalhamento,
• métricas consistentes ao longo do tempo,
• classificação com categorias além de “positivo/negativo/neutro”...

…então vale considerar um modelo supervisionado.

Como funciona?

1. Você prepara uma amostra da sua base (100–300 comentários).
2. Classifica manualmente cada um.
3. Treina um modelo para replicar sua forma de classificar.

Ferramentas para isso:

• HuggingFace (modelos pré-treinados)
• scikit-learn (SVM, Naive Bayes)
• Transformers (BERT, DistilBERT)
• Azure / AWS / Google AutoML

Mas, para 90% dos casos práticos, a análise de sentimentos com ChatGPT já entrega tudo que você precisa: rápido, barato e com boa profundidade contextual.

A vantagem dos modelos supervisionados aparece quando:

• você precisa de consistência total (mesma regra todo mês),
• quer métricas extremamente estáveis,
• tem muitas categorias internas (ex.: “elogio ao produto”, “elogio ao atendimento”, “crítica à embalagem”),
• trabalha com grandes volumes contínuos.

Conclusão

A análise de sentimentos com ChatGPT é uma das formas mais rápidas, acessíveis e inteligentes de entender o que o público realmente sente sobre seus conteúdos, produtos ou serviços.

Com o método certo — coleta, limpeza, classificação, polaridade, contexto e visualização — você transforma comentários soltos em insights claros, KPIs acionáveis e decisões melhores. É uma ferramenta poderosa tanto para quem trabalha com dados quanto para quem cria conteúdo ou lidera equipes.

Se você quer aprofundar esse tipo de análise, aprender a montar prompts profissionais e dominar inteligência artificial aplicada ao dia a dia, o Inteligência Artificial Impressionador é o próximo passo.

Com o conhecimento certo, você deixa de apenas “usar IA” e passa a criar soluções reais, completas e impressionadoras.

Caso prefira esse conteúdo no formato de vídeo-aula, assista ao vídeo abaixo ou acesse o nosso canal do YouTube!

FAQ - Perguntas Frequentes: Análise de Sentimentos com ChatGPT

Hashtag Treinamentos

Para acessar outras publicações de Inteligência Artificial, clique aqui!

---

---

Posts mais recentes de Inteligência Artificial

• 
  Graph Engineering: o que é e como coordenar agentes de IA24 de setembro de 2026
  Entenda o que é graph engineering, como coordenar vários agentes de IA com critérios, pesos e revisão cruzada e quando essa estrutura vale a pena.
• 
  Engenharia de IA: o que é, o que faz e como começar24 de setembro de 2026
  Entenda o que é engenharia de IA, a diferença para machine learning e engenharia de agentes, o que faz um engenheiro de IA e como começar na área.
• 
  Loop Engineering: o que é e como automatizar agentes de IA24 de setembro de 2026
  Entenda o que é loop engineering, como gatilhos fazem agentes de IA trabalharem sem você pedir cada passo e quais cuidados tomar ao automatizar.

Posts mais recentes da Hashtag Treinamentos

• 
  Planilha de Controle de Notas Fiscais no Excel [Grátis]2 de outubro de 2026
  Baixe a planilha de controle de notas fiscais no Excel grátis: calcule ISS e retenções, veja o que está em aberto e gere a cobrança de cada nota de serviço.
• 
  Qual IA usar na empresa: ChatGPT, Claude ou Perplexity?2 de outubro de 2026
  Qual IA usar na empresa: veja as diferenças entre ChatGPT, Claude e Perplexity e quando cada um rende mais em cada área da sua equipe.
• 
  Apostilas Gratuitas em PDF: Excel, Power BI, Python e IA30 de setembro de 2026
  Baixe apostilas gratuitas em PDF de Excel, Power BI, Python, Claude e agentes de IA, com exercícios e gabarito. Escolha a sua e comece hoje.