Análisis de sentimiento basado en BERT sobre la reticencia de los consumidores a adoptar la energía solar

Por qué la gente todavía duda de la energía solar

Los paneles solares prometen electricidad limpia y producida localmente, pero muchos hogares siguen inseguros sobre instalarlos en sus tejados. Este estudio examina lo que la gente común realmente dice en línea sobre la energía solar—en redes sociales, reseñas y foros públicos—y emplea un sistema moderno de IA lingüística para leer el estado de ánimo. Al convertir miles de comentarios en una imagen clara de preocupaciones y expectativas, el trabajo muestra dónde el coste, la confianza y la confusión frenan la energía solar, y cómo un análisis más inteligente puede ayudar a responsables políticos y empresas a responder.

Escuchar las voces en línea a gran escala

En lugar de confiar en encuestas lentas o pequeños grupos focales, los investigadores recopilaron alrededor de 50 000 publicaciones públicas y reseñas que mencionaban la adopción solar, y luego filtraron esto hasta 22 000 elementos claramente positivos o negativos. Procedían de plataformas como mensajes breves, discusiones en hilos, sitios de reseñas de consumidores y páginas web abiertas. Al recurrir a muchas fuentes en lugar de un único sitio, el estudio reduce el riesgo de sobreactuar a un tipo de usuario o región. Un preprocesado cuidadoso—eliminando duplicados, suprimiendo nombres de usuario y enlaces, estandarizando la redacción y agrupando frases clave como “energía solar” o “coste solar”—convirtió este flujo ruidoso en un conjunto de datos más limpio y comparable, al tiempo que protegía la privacidad de los usuarios.

Cómo una IA aprende el tono de las conversaciones sobre solar

Para leer el sentimiento en estos textos, el equipo construyó un modelo híbrido que combina dos formas complementarias de representar el lenguaje. Una, llamada TF–IDF, mide cuán distintiva es una palabra o frase en el corpus, elevando términos que señalan fuertemente temas importantes como “coste”, “fiabilidad”, “política” o “rentabilidad”. La otra procede de BERT, un modelo lingüístico moderno basado en transformers que representa cada frase en un espacio de alta dimensión, captando matices, ironía y contexto que los simples recuentos de palabras pasan por alto. Al concatenar estas dos perspectivas en un solo vector de características y entrenar un clasificador con ejemplos etiquetados, el sistema aprende tanto qué palabras importan como cómo se usan en oraciones reales sobre energía solar.

Comprobación de la precisión y aplicación práctica de los resultados

El enfoque híbrido no es solo ingenioso sobre el papel; funciona sólidamente en la práctica. En datos de prueba retenidos que el modelo nunca vio durante el entrenamiento, alcanza una puntuación F1 de 0,82, con precisión y exhaustividad equilibradas tanto para el sentimiento positivo como negativo y una precisión global del 0,84. Comprobaciones adicionales—como curvas ROC, curvas de precisión–recuperación y gráficos de calibración—muestran que las probabilidades predichas coinciden bien con los resultados reales, lo que significa que el modelo sabe cuándo está confiado y cuándo es incierto. Los autores avanzan un paso más, usando gráficos de ganancia acumulada, curvas de lift y precisión “Top-K” para mostrar que si un responsable político solo puede examinar una pequeña fracción de publicaciones, centrarse en las predicciones de mayor confianza del modelo revela muchos más comentarios relevantes y útiles para la toma de decisiones que un muestreo aleatorio.

Qué preocupa más a la gente

Una vez que el sistema separa de forma fiable la discusión positiva de la negativa, los investigadores analizan el bando negativo para ver qué temas dominan. Encuentran que más del 40 % del sentimiento negativo se centra en el dinero—costes iniciales de instalación, dudas sobre el tiempo de recuperación de la inversión y temores a cargos ocultos. Aproximadamente una cuarta parte de los comentarios negativos subrayan preocupaciones sobre la fiabilidad: ¿Funcionarán los paneles en mal tiempo, será el mantenimiento un problema y se podrá confiar en los instaladores y el equipo? Casi una de cada cinco publicaciones negativas refleja escepticismo medioambiental, como inquietudes sobre la fabricación de paneles, el reciclaje o si la energía solar reduce realmente las emisiones una vez considerado el ciclo de vida completo. La confusión y la frustración con las políticas también aparecen, aunque con menor intensidad que estas barreras principales.

Convertir los hallazgos en mejor adopción solar

Para un lector no especializado, el resultado principal es sencillo: al escuchar con atención conversaciones en línea a gran escala con una IA afinada en el dominio solar, es posible cuantificar qué frena a la gente. El coste surge como el obstáculo más grande, seguido de la confianza en el rendimiento y las dudas persistentes sobre los beneficios medioambientales. Dado que el modelo puede resaltar los casos más confiables e informativos y visualizar las tendencias en el tiempo, ofrece a responsables políticos, instaladores y defensores un panel práctico de preocupaciones públicas. Eso, a su vez, puede orientar incentivos dirigidos, una comunicación más clara sobre ahorros y fiabilidad, y mejores respuestas a cuestiones medioambientales—pasos que podrían ayudar a que más hogares se sientan preparados para dar el salto a la energía solar.

Cita: Jabbar, A., Yuan, J., Al-Shamasneh, A.R. et al. BERT based sentiment analysis of consumer hesitancy toward solar energy adoption. Sci Rep 16, 8397 (2026). https://doi.org/10.1038/s41598-026-38604-6

Palabras clave: adopción de energía solar, sentimiento del consumidor, reticencia a las energías renovables, análisis de texto por IA, modelo BERT