Analiza sentymentu oparta na BERT dotycząca niechęci konsumentów do przyjmowania energii słonecznej

Dlaczego ludzie wciąż wahają się przed energią słoneczną

Panele słoneczne obiecują czystą, lokalnie wytwarzaną energię elektryczną, a jednak wiele gospodarstw domowych nadal nie jest pewnych montażu ich na dachach. Badanie zagląda do tego, co zwykli ludzie naprawdę piszą w sieci o energii słonecznej — na portalach społecznościowych, w recenzjach i na forach publicznych — i wykorzystuje nowoczesny system językowy AI do oceny nastrojów. Przetwarzając tysiące komentarzy na jasny obraz obaw i nadziei, praca pokazuje, gdzie koszty, zaufanie i dezorientacja powstrzymują rozwój energii słonecznej oraz jak inteligentniejsza analiza może pomóc decydentom i firmom zareagować.

Słuchając głosów online na dużą skalę

Zamiast polegać na powolnych ankietach czy małych grupach fokusowych, badacze zgromadzili około 50 000 publicznych postów i recenzji wspominających o przyjmowaniu energii słonecznej, a następnie odfiltrowali to do 22 000 wyraźnie pozytywnych lub negatywnych wpisów. Pochodziły one z platform takich jak krótkie wiadomości, dyskusje w wątkach, serwisy z opiniami konsumenckimi i otwarte strony internetowe. Czerpanie z wielu źródeł zamiast z jednego serwisu zmniejsza ryzyko nadmiernego słuchania jednego typu użytkownika lub regionu. Staranna wstępna obróbka — usuwanie duplikatów, kasowanie nazw użytkowników i linków, standaryzacja sformułowań oraz grupowanie kluczowych fraz jak „energia słoneczna” czy „koszt instalacji” — przemieniła ten hałaśliwy strumień w czystszy, bardziej porównywalny zbiór danych przy jednoczesnej ochronie prywatności użytkowników.

Jak AI uczy się tonu dyskusji o słońcu

Aby odczytać sentyment w tekście, zespół zbudował model hybrydowy łączący dwa komplementarne sposoby reprezentacji języka. Pierwszy, zwany TF–IDF, mierzy, jak wyróżniające się są słowa lub frazy w korpusie, podnosząc rangę terminów silnie sygnalizujących ważne tematy, takie jak „koszt”, „niezawodność”, „polityka” czy „zwrot z inwestycji”. Drugi pochodzi z BERT — nowoczesnego modelu transformatorowego, który reprezentuje każde zdanie w przestrzeni o wysokim wymiarze, chwytając niuanse, ironię i kontekst, które proste zliczanie słów pomija. Poprzez połączenie tych dwóch perspektyw w pojedynczy wektor cech i trenowanie klasyfikatora na oznaczonych przykładach, system uczy się zarówno które słowa są ważne, jak i w jaki sposób są używane w rzeczywistych zdaniach o energii słonecznej.

Sprawdzanie dokładności i przekuwanie wyników w praktykę

Podejście hybrydowe to nie tylko efektowne rozwiązanie na papierze; sprawdza się solidnie w praktyce. Na danych testowych, których model nie widział podczas treningu, osiąga współczynnik F1 równy 0,82, z zrównoważoną precyzją i czułością zarówno dla sentymentu pozytywnego, jak i negatywnego oraz ogólną dokładnością 0,84. Dodatkowe kontrole — takie jak krzywe ROC, krzywe precyzja–czułość i wykresy kalibracji — pokazują, że przewidywane prawdopodobieństwa dobrze odpowiadają rzeczywistym wynikom, co oznacza, że model wie, kiedy jest pewny, a kiedy nie. Autorzy idą o krok dalej, używając wykresów skumulowanego zysku, krzywych liftu i trafności „Top-K”, aby wykazać, że jeśli decydent może przejrzeć tylko niewielką część postów, skoncentrowanie się na przewidywaniach o najwyższej pewności przez model umożliwia wyłuskanie znacznie więcej istotnych, wartych decyzji komentarzy niż losowe próbkowanie.

O czym ludzie martwią się najbardziej

Gdy system niezawodnie oddziela dyskusje pozytywne od negatywnych, badacze zaglądają do środowiska negatywnego, by zobaczyć, jakie tematy dominują. Stwierdzają, że ponad 40% negatywnego sentymentu koncentruje się na pieniądzach — kosztach instalacji na początku, wątpliwościach co do czasu zwrotu i obawach o ukryte opłaty. Około jedna czwarta negatywnych komentarzy podkreśla obawy o niezawodność: czy panele będą działać w złej pogodzie, czy konserwacja nie będzie kłopotliwa i czy można ufać instalatorom oraz urządzeniom? Prawie jeden na pięć negatywnych wpisów odzwierciedla sceptycyzm środowiskowy, na przykład obawy dotyczące produkcji paneli, recyklingu lub tego, czy panele rzeczywiście redukują emisje po uwzględnieniu pełnego cyklu życia. Zamieszanie i frustracja związane z polityką również się pojawiają, choć nieco słabiej niż te podstawowe bariery.

Przekształcanie wniosków w lepsze przyjmowanie energii słonecznej

Dla czytelnika nietechnicznego główny wniosek jest prosty: uważne słuchanie rozmów online na dużą skalę za pomocą AI wyspecjalizowanej w temacie solar umożliwia ilościowe określenie, co powstrzymuje ludzi. Koszty okazują się największą przeszkodą, następnie zaufanie do wydajności i utrzymujące się wątpliwości co do korzyści środowiskowych. Ponieważ model może wyróżniać najbardziej pewne, pouczające przypadki i wizualizować trendy w czasie, daje decydentom, instalatorom i rzeczniczkom praktyczny panel obaw publicznych. To z kolei może ukierunkować zachęty, klarowniejszą komunikację o oszczędnościach i niezawodności oraz lepsze odpowiedzi na pytania środowiskowe — kroki, które mogłyby pomóc większej liczbie gospodarstw domowych poczuć się gotowymi na przejście na energię słoneczną.

Cytowanie: 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

Słowa kluczowe: przyjmowanie energii słonecznej, sentyment konsumentów, niechęć wobec energii odnawialnej, analiza tekstu AI, model BERT