BERT-gebaseerde sentimentanalyse van consumenten terughoudendheid bij de adoptie van zonne-energie

Waarom mensen nog steeds terughoudend zijn tegenover zonne-energie

Zonnepanelen beloven schone, lokaal opgewekte elektriciteit, maar veel huishoudens twijfelen nog over het installeren ervan op hun dak. Deze studie onderzoekt wat gewone mensen online daadwerkelijk zeggen over zonne-energie—op sociale media, in recensies en op openbare fora—en gebruikt een moderne taal-AI om de stemming te analyseren. Door duizenden opmerkingen om te zetten in een helder beeld van zorgen en verwachtingen, laat het werk zien waar kosten, vertrouwen en verwarring zonne-energie terughouden, en hoe slimmer analyseren beleidsmakers en bedrijven kan helpen te reageren.

Luisteren naar online stemmen op grote schaal

In plaats van te steunen op trage enquêtes of kleine focusgroepen verzamelden de onderzoekers ongeveer 50.000 openbare berichten en recensies waarin adoptie van zonne-energie werd genoemd, en filterden dat terug tot 22.000 duidelijk positieve of negatieve items. Deze kwamen van platforms zoals korte berichten, discussiedraden, consumentenbeoordelingssites en open webpagina’s. Door op veel bronnen te vertrouwen in plaats van één site, vermindert de studie het risico van overmatig luisteren naar één type gebruiker of regio. Zorgvuldige voorverwerking—het verwijderen van duplicaten, wegfilteren van gebruikersnamen en links, standaardiseren van formuleringen en groeperen van sleutelzinnen zoals “zonne-energie” of “zonnekosten”—veranderde deze rumoerige stroom in een schonere, beter vergelijkbare dataset, terwijl de privacy van gebruikers werd beschermd.

Hoe een AI de toon van gesprekken over zon leert

Om sentiment in deze teksten te lezen bouwde het team een hybride model dat twee complementaire manieren combineert om taal te representeren. De ene, TF–IDF genoemd, meet hoe onderscheidend een woord of frase is in het corpus en verhoogt termen die sterk signaleren over belangrijke thema’s zoals “kosten”, “betrouwbaarheid”, “beleid” of “rendement”. De andere komt van BERT, een modern transformer-gebaseerd taalmodel dat elke zin in een hoge-dimensionale ruimte weergeeft en nuance, ironie en context opvangt die eenvoudige woordtellingen missen. Door deze twee gezichtspunten samen te voegen tot één featurevector en een classifier te trainen op gelabelde voorbeelden, leert het systeem zowel welke woorden belangrijk zijn als hoe ze worden gebruikt in echte zinnen over zonne-energie.

Controle van nauwkeurigheid en bruikbare resultaten

De hybride aanpak is niet alleen in theorie slim; in de praktijk presteert hij degelijk. Op vastgehouden testdata die het model tijdens training nooit zag, behaalt het een F1-score van 0,82, met gebalanceerde precisie en recall voor zowel positieve als negatieve sentimenten en een totale nauwkeurigheid van 0,84. Aanvullende controles—zoals receiver operating characteristic-curves, precisie–recall-curves en calibratieplots—tonen dat de voorspelde kansen goed overeenkomen met echte uitkomsten, wat betekent dat het model weet wanneer het zelfverzekerd is en wanneer het onzeker is. De auteurs gaan een stap verder door cumulatieve gain-charts, liftcurves en “Top-K” nauwkeurigheid te gebruiken om te laten zien dat als een beleidsmaker slechts een klein deel van berichten kan onderzoeken, het focussen op de voorspellingen met de hoogste confidence veel relevantere, besluitwaardige opmerkingen naar boven haalt dan willekeurige steekproeven zouden doen.

Waar mensen zich het meest zorgen over maken

Zodra het systeem betrouwbaar positieve van negatieve discussies scheidt, kijken de onderzoekers binnen de negatieve groep om te zien welke thema’s domineren. Ze vinden dat meer dan 40% van het negatieve sentiment draait om geld—aanvangskosten van installatie, twijfels over terugverdientijd en angst voor verborgen kosten. Ongeveer een kwart van de negatieve opmerkingen gaat over zorgen rond betrouwbaarheid: werken de panelen bij slecht weer, wordt onderhoud een hoofdpijn en kunnen mensen installateurs en apparatuur vertrouwen? Bijna één op de vijf negatieve berichten reflecteert milieu-scepsis, zoals zorgen over de fabricage van panelen, recycling of de vraag of zonne-energie echt emissies vermindert wanneer de volledige levenscyclus in aanmerking wordt genomen. Verwarring en frustratie rond beleid komen ook naar voren, maar iets minder sterk dan deze kernbarrières.

Insights vertalen naar betere adoptie van zonne-energie

Voor een niet-specialistische lezer is de belangrijkste uitkomst helder: door grootschalige online gesprekken zorgvuldig te beluisteren met een AI toegespitst op het zon-domein, wordt het mogelijk te kwantificeren wat mensen tegenhoudt. Kosten blijken het grootste obstakel, gevolgd door vertrouwen in prestaties en aanhoudende twijfel over milieuvoordelen. Omdat het model de meest zelfverzekerde, informatieve gevallen kan aanwijzen en trends over tijd kan visualiseren, biedt het beleidsmakers, installateurs en voorstanders een praktisch dashboard van publieke zorgen. Dat kan op zijn beurt gerichte stimuleringsmaatregelen, duidelijkere communicatie over besparingen en betrouwbaarheid, en betere antwoorden op milieuvragen sturen—stappen die meer huishoudens kunnen helpen zich klaar te voelen voor de overstap naar zonne-energie.

Bronvermelding: 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

Trefwoorden: adoptie van zonne-energie, consumentenvertrouwen, terughoudendheid bij hernieuwbare energie, AI-tekstanalyse, BERT-model