Analyse de sentiment basée sur BERT de l’hésitation des consommateurs à adopter l’énergie solaire

Pourquoi les gens hésitent encore à propos de l’énergie solaire

Les panneaux solaires promettent une électricité propre et locale, pourtant de nombreux foyers restent incertains à l’idée de les installer sur leur toit. Cette étude explore ce que les gens disent réellement en ligne au sujet de l’énergie solaire — sur les réseaux sociaux, dans les avis et sur les forums publics — et utilise un système d’IA linguistique moderne pour sonder le ressenti. En transformant des milliers de commentaires en un tableau clair des inquiétudes et des espoirs, le travail met en lumière comment le coût, la confiance et la confusion freinent l’énergie solaire, et comment une analyse plus intelligente peut aider décideurs et entreprises à mieux réagir.

Écouter les voix en ligne à grande échelle

Plutôt que de s’appuyer sur des sondages lents ou de petits groupes de discussion, les chercheurs ont collecté quelque 50 000 publications et avis publics mentionnant l’adoption du solaire, puis ont filtré cet ensemble pour n’en retenir 22 000 éléments clairement positifs ou négatifs. Ils proviennent de plateformes telles que messages courts, discussions à fils, sites d’avis consommateurs et pages ouvertes du web. En puisant dans de multiples sources plutôt que d’un seul site, l’étude réduit le risque de surreprésenter un type d’utilisateur ou une région. Un prétraitement soigneux — suppression des doublons, retrait des noms d’utilisateur et des liens, standardisation du vocabulaire et regroupement de phrases clés comme « énergie solaire » ou « coût solaire » — a transformé ce flux bruyant en un jeu de données plus propre et comparable tout en protégeant la vie privée des utilisateurs.

Comment une IA apprend le ton des discussions sur le solaire

Pour analyser le sentiment de ces textes, l’équipe a construit un modèle hybride qui combine deux approches complémentaires de représentation du langage. La première, appelée TF–IDF, mesure à quel point un mot ou une expression est distinctif dans le corpus, faisant ressortir les termes qui signalent fortement des thèmes importants comme « coût », « fiabilité », « politique » ou « retour sur investissement ». L’autre provient de BERT, un modèle de langage moderne basé sur les transformeurs qui représente chaque phrase dans un espace à haute dimensionnalité, capturant la nuance, l’ironie et le contexte que de simples comptes de mots manquent. En concaténant ces deux vues en un seul vecteur de caractéristiques et en entraînant un classifieur sur des exemples annotés, le système apprend à la fois quels mots importent et comment ils sont utilisés dans de vraies phrases sur l’énergie solaire.

Vérifier la précision et rendre les résultats exploitables

L’approche hybride n’est pas seulement ingénieuse sur le papier ; elle donne de bonnes performances en pratique. Sur des données de test réservées que le modèle n’a jamais vues pendant l’entraînement, il atteint un score F1 de 0,82, avec une précision et un rappel équilibrés pour les sentiments positifs et négatifs et une précision globale de 0,84. Des contrôles supplémentaires — tels que les courbes ROC, les courbes précision–rappel et les graphiques de calibration — montrent que les probabilités prédites correspondent bien aux résultats réels, ce qui signifie que le modèle sait quand il est confiant et quand il est incertain. Les auteurs vont ensuite plus loin en utilisant des graphiques de gain cumulés, des courbes de lift et la précision « Top-K » pour montrer que si un décideur ne peut examiner qu’une petite fraction des publications, se concentrer sur les prédictions à plus forte confiance du modèle fait remonter bien plus de commentaires pertinents et utiles pour la décision que l’échantillonnage aléatoire.

Ce qui inquiète le plus les gens

Une fois le système capable de séparer de manière fiable les discussions positives des négatives, les chercheurs examinent l’intérieur du camp négatif pour identifier les thèmes dominants. Ils constatent que plus de 40 % des sentiments négatifs tournent autour de l’argent — coûts d’installation initiaux, doutes sur le délai de retour sur investissement et peur de frais cachés. Environ un quart des commentaires négatifs soulignent des inquiétudes sur la fiabilité : les panneaux fonctionneront-ils par mauvais temps, l’entretien sera-t-il contraignant, et peut-on faire confiance aux installateurs et au matériel ? Près d’un commentaire négatif sur cinq reflète un scepticisme environnemental, comme des préoccupations sur la fabrication des panneaux, le recyclage ou la question de savoir si le solaire réduit réellement les émissions une fois le cycle de vie complet pris en compte. La confusion et la frustration liées aux politiques apparaissent aussi, mais un peu moins fortement que ces barrières principales.

Transformer les insights en meilleure adoption du solaire

Pour un lecteur non spécialiste, le résultat principal est simple : en écoutant attentivement les conversations en ligne à grande échelle avec une IA adaptée au domaine du solaire, il devient possible de quantifier ce qui freine l’adoption. Le coût apparaît comme le principal obstacle, suivi de la confiance dans la performance et des doutes persistants sur les bénéfices environnementaux. Parce que le modèle peut mettre en évidence les cas les plus fiables et informatifs et visualiser les tendances dans le temps, il fournit aux décideurs, installateurs et défenseurs un tableau de bord pratique des préoccupations publiques. Cela peut à son tour orienter des incitations ciblées, une communication plus claire sur les économies et la fiabilité, et de meilleures réponses aux questions environnementales — des mesures qui pourraient aider davantage de foyers à se sentir prêts à franchir le pas vers l’énergie solaire.

Citation: 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

Mots-clés: adoption de l’énergie solaire, sentiment des consommateurs, hésitation envers les énergies renouvelables, analyse de texte par IA, modèle BERT