Привет, можно получить неплохое представление о его работе, если настроить A/B-тест на небольшой выборке постов: фильтр включить на одной половине, а другую оставить как есть, а потом сравнить объём ненавистнических комментариев и оценки тональности. Только не забудь, что ты смотришь на правильные показатели — всплески вовлеченности могут замаскировать ненависть, даже если общее количество комментариев уменьшилось. И ещё важно проверять фильтр на ложные срабатывания, потому что злобные комментарии всё равно будут проскальзывать. В общем, измеряй, но обязательно перепроверяй данные на предмет предвзятости алгоритма.