Analisi del sentiment basata su BERT sullesitazione dei consumatori verso ladozione dellenergia solare

Perché la gente esita ancora sullenergia solare

I pannelli solari promettono elettricità pulita e prodotta localmente, eppure molte famiglie restano indecise sul metterli sul proprio tetto. Questo studio esamina ciò che le persone comuni dicono veramente online sullenergia solare  sui social media, nelle recensioni e nei forum pubblici  e utilizza un moderno sistema di intelligenza artificiale per il linguaggio per leggere il tono dei discorsi. Trasformando migliaia di commenti in un quadro chiaro di timori e speranze, il lavoro mostra dove costo, fiducia e confusione frenano lenergia solare e come unanalisi più intelligente possa aiutare responsabili politici e aziende a rispondere.

Ascoltare le voci online su larga scala

Invece di affidarsi a sondaggi lenti o a piccoli gruppi di focus, i ricercatori hanno raccolto circa 50.000 post e recensioni pubblici che menzionavano ladozione del solare, filtrandoli poi fino a 22.000 elementi chiaramente positivi o negativi. Questi provenivano da piattaforme come messaggi brevi, discussioni a thread, siti di recensioni dei consumatori e pagine web aperte. Attrarre dati da molte fonti piuttosto che da un unico sito riduce il rischio di sovra-rappresentare un tipo di utente o una regione. Unaccurata fase di pre-elaborazione  rimozione di duplicati, eliminazione di nomi utente e link, standardizzazione della formulazione e raggruppamento di frasi chiave come "energia solare" o "costo solare"  ha trasformato questo flusso rumoroso in un dataset più pulito e comparabile, tutelando al contempo la privacy degli utenti.

Come unIA impara il tono delle discussioni sul solare

Per leggere il sentiment in questi testi, il team ha costruito un modello ibrido che combina due modi complementari di rappresentare il linguaggio. Il primo, chiamato TF–IDF, misura quanto un termine o una frase sia distintivo nel corpus, elevando i termini che segnalano fortemente temi importanti come "costo", "affidabilità", "politica" o "tempo di ritorno". Laltro proviene da BERT, un moderno modello di linguaggio basato su transformer che rappresenta ogni frase in uno spazio ad alta dimensione, catturando sfumature, ironia e contesto che semplici conteggi di parole perdono. Concatenando queste due viste in un unico vettore di caratteristiche e addestrando un classificatore su esempi etichettati, il sistema impara sia quali parole contano sia come vengono usate nelle frasi reali sul solare.

Verifica dellaccuratezza e rendere i risultati azionabili

Lapproccio ibrido non è solo elegante sulla carta; rende bene nella pratica. Su dati di test tenuti da parte che il modello non ha mai visto durante laddestramento, ottiene un F1-score di 0,82, con precisione e richiamo bilanciati per sentiment positivo e negativo e unaccuratezza complessiva dello 0,84. Controlli aggiuntivi  come curve ROC, curve precisionerichiamo e grafici di calibrazione  mostrano che le probabilità previste corrispondono bene agli esiti reali, il che significa che il modello sa quando è sicuro e quando è incerto. Gli autori vanno poi oltre, usando grafici di guadagno cumulativo, curve di lift e laccuratezza "Top-K" per dimostrare che se un decisore può esaminare solo una piccola frazione dei post, concentrarsi sulle previsioni a più alta confidenza del modello fa emergere molti più commenti rilevanti e utili per le decisioni rispetto a un campionamento casuale.

Di cosa si preoccupa la gente di più

Una volta che il sistema separa in modo affidabile discussioni positive e negative, i ricercatori esplorano il campo negativo per vedere quali temi dominano. Risultano che oltre il 40% del sentiment negativo è incentrato sul denaro  costi iniziali di installazione, dubbi sul tempo di rientro e timori di costi nascosti. Circa un quarto dei commenti negativi mette in evidenza preoccupazioni sulla affidabilità: i pannelli funzioneranno in caso di maltempo, la manutenzione sarà un problema e ci si può fidare di installatori e apparecchiature? Quasi uno su cinque dei post negativi riflette scetticismo ambientale, come preoccupazioni sulla produzione dei pannelli, sul riciclo o sul fatto che il solare riduca davvero le emissioni una volta considerato lintero ciclo di vita. Confusione e frustrazione sulle politiche emergono anchesse, ma con minore intensità rispetto a queste barriere principali.

Trasformare gli insight in una migliore adozione del solare

Per il lettore non specialista, il risultato principale è chiaro: ascoltando attentamente le conversazioni online su larga scala con unIA tarata sul dominio del solare, diventa possibile quantificare ciò che frena le persone. Il costo emerge come lostacolo più grande, seguito dalla fiducia nelle prestazioni e dai dubbi residui sui benefici ambientali. Poiché il modello può mettere in evidenza i casi più sicuri e informativi e visualizzare le tendenze nel tempo, fornisce a responsabili politici, installatori e sostenitori un cruscotto pratico delle preoccupazioni pubbliche. Questo, a sua volta, può guidare incentivi mirati, comunicazioni più chiare su risparmi e affidabilità e risposte migliori alle questioni ambientali  passi che potrebbero aiutare più famiglie a sentirsi pronte a compiere il passo verso il solare.

Citazione: 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

Parole chiave: adozione dellenergia solare, sentimento dei consumatori, esitazione verso le energie rinnovabili, analisi testuale con IA, modello BERT