ניתוח סנטימנט מבוסס BERT לגבי היסוס צרכני לאימוץ אנרגיית שמש

מדוע אנשים עדיין מהססים לגבי חשמל סולארי

לוחות סולאריים מבטיחים חשמל נקי ומקומי, אך משקי בית רבים עדיין חוששים להניחם על הגגות שלהם. מחקר זה חופר במה שאנשים רגילים באמת אומרים ברשת לגבי אנרגיה סולארית — ברשתות חברתיות, בביקורות ובפורומים ציבוריים — ומשתמש במערכת שפה מודרנית מבוססת בינה מלאכותית לקריאת המצב רוח. על ידי הפיכה של אלפי תגובות לתמונה ברורה של חששות ותקוות, העבודה מציגה היכן עלויות, אמון ובלבול מעכבים את האנרגיה הסולארית, ואיך ניתוח חכם יותר יכול לסייע למקבלי מדיניות ולחברות להגיב.

להקשיב לקולות מקוונים בקנה מידה רחב

במקום להישען על סקרים איטיים או קבוצות מיקוד קטנות, החוקרים אספו כ-50,000 פוסטים וביקורות ציבוריות שהזכירו אימוץ סולארי, ולאחר מכן סיננו זאת ל-22,000 פריטים ברורים בחיוב או בשלילה. אלה הגיעו מפלטפורמות כגון הודעות קצרות, דיונים מקושרים, אתרי ביקורות צרכנים ודפי אינטרנט פתוחים. על ידי שימוש במקורות רבים במקום באתר יחיד, המחקר מצמצם את הסיכון של הקשבה מופרזת לסוג משתמש או לאזור אחד. עיבוד מקדים זהיר — הסרת שכפולים, מחיקת שמות משתמש וקישורים, תקנון ניסוחים וקיבוץ ביטויים מרכזיים כמו "אנרגיה סולארית" או "עלות סולארית" — הפך את הזרם הרועש הזה למאגר נתונים נקי ונוח להשוואה תוך שמירה על פרטיות המשתמשים.

כיצד בינה מלאכותית לומדת את הטון של שיח סולארי

כדי לקרוא סנטימנט בטקסט זה, הצוות בנה מודל היברידי שמשלב שתי דרכים משלימות לייצוג שפה. האחת, המכונה TF–IDF, מודדת עד כמה מילה או ביטוי מובחנים בקורפוס, ומבליטה מונחים שמסמנים נושאים חשובים כגון "עלות", "אמינות", "מדיניות" או "תקופת החזר". השנייה נובעת מ-BERT, מודל שפה מודרני מבוסס טראנספורמר שמייצג כל משפט במרחב רב-ממדי, וכולל ניואנסים, אירוניה והקשר ששיטות ספירת מילים פשוטות מפספסות. על ידי חיבור שתי התצפיות האלה לוקטור מאפיינים יחיד ואימון מחלק על דוגמאות מתויגות, המערכת לומדת גם אילו מילים חשובות וגם איך משתמשים בהן במשפטים אמיתיים על חשמל סולארי.

בדיקת דיוק והפיכת התוצאות ליישומיות

הגישה ההיברידית אינה רק גאונית על הנייר; היא מפגינה ביצועים יציבים במציאות. על נתוני מבחן שלא נראו במהלך האימון, היא משיגה F1 של 0.82, עם איזון בין דיוק לזכירה עבור סנטימנט חיובי ושלילי ודיוק כולל של 0.84. בדיקות נוספות — כגון עקומות ROC, עקומות דיוק–זכירה וגרפי כיול — מראות שההסתברויות החזויות תואמות לתוצאות הממשיות היטב, כלומר המודל יודע מתי הוא בטוח ומתי אינו בטוח. המחברים הולכים צעד נוסף ומשתמשים בגרפי רווח מצטבר, עקומות Lift ודיוק "Top-K" כדי להראות שאם מקבל מדיניות יכול לבדוק רק חלק קטן מהפוסטים, התמקדות בתחזיות עם רמת הביטחון הגבוהה ביותר של המודל מעלה הרבה יותר תגובות רלוונטיות וראויות להחלטה מאשר דגימה אקראית.

מה אנשים חוששים ממנו הכי הרבה

כאשר המערכת מפרידה באופן אמין בין שיח חיובי לשלילי, החוקרים בוחנים בתוך המחנה השלילי אילו נושאים שולטים. הם מגלים שיותר מ-40% מהסנטימנט השלילי מתרכז בכסף — עלויות התקנה מקדימות, ספקות לגבי תקופת החזר ופחדים מתשלומים נסתרים. בערך רבע מהתגובות השליליות מדגישות חששות לגבי אמינות: האם הלוחות יעבדו במזג אוויר רע, האם התחזוקה תהווה מטרד, והאם ניתן לבטוח במתקינים ובציוד? כמעט אחד מתוך חמש פוסטים שליליים משקף סקפטיות סביבתית, כגון חששות לגבי ייצור לוחות, מיחזור או האם סולארי באמת מקטין פליטות כאשר בוחנים את מחזור החיים המלא. גם בלבול ותסכול מדיניותיים בולטים, אך בעוצמה מעט פחותה ממכשולים ליבה אלה.

הפיכת תובנות לאימוץ סולארי טוב יותר

לקורא שאינו מומחה, התוצאה העיקרית ברורה: באמצעות הקשבה מדוקדקת לשיחות מקוונות בהיקף גדול בעזרת בינה מלאכותית המותאמת לתחום הסולארי, ניתן לכמת מה עוצר אנשים. עלות מתגלה כמכשול הגדול ביותר, ואחריה אמון בביצוע וספקות סביבתיים שנותרו. מאחר שהמודל יכול להדגיש את המקרים הבטוחים והמידעיים ביותר ולחזות מגמות לאורך זמן, הוא מספק למקבלי מדיניות, מתקינים ותומכים לוח בקרה מעשי של חששות הציבור. הדבר, בתורו, יכול להנחות תמריצים ממוקדים, תקשורת ברורה יותר על חיסכון ואמינות ותשובות טובות יותר לשאלות סביבתיות — צעדים שעשויים לעזור ליותר משקי בית להרגיש מוכנים לקפוץ לאנרגיה סולארית.

ציטוט: 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

מילות מפתח: אימוץ אנרגיית שמש, סנטימנט צרכנים, היסוס מול אנרגיות מתחדשות, ניתוח טקסט מבוסס בינה מלאכותית, מודל BERT