Análise de sentimento baseada em BERT sobre a hesitação do consumidor em adotar energia solar

Por que as pessoas ainda hesitam com a energia solar

Os painéis solares prometem eletricidade limpa e produzida localmente, mas muitas residências permanecem inseguras quanto a instalá‑los em seus telhados. Este estudo investiga o que pessoas comuns realmente dizem online sobre energia solar — em redes sociais, avaliações e fóruns públicos — e usa um sistema moderno de IA de linguagem para avaliar o tom dessas mensagens. Ao transformar milhares de comentários em um retrato claro de preocupações e expectativas, o trabalho mostra onde custo, confiança e confusão estão freando a energia solar e como análises mais inteligentes podem ajudar formuladores de política e empresas a responderem.

Ouvindo vozes online em larga escala

Em vez de depender de pesquisas lentas ou pequenos grupos focais, os pesquisadores coletaram cerca de 50.000 publicações e avaliações públicas que mencionavam adoção solar, reduzindo isso para 22.000 itens claramente positivos ou negativos. Eles vieram de plataformas como mensagens curtas, discussões em threads, sites de avaliação de consumidores e páginas da web abertas. Ao recorrer a diversas fontes em vez de um único site, o estudo reduz o risco de ouvir excessivamente um tipo de usuário ou região. Pré‑processamento cuidadoso — removendo duplicatas, eliminando nomes de usuário e links, padronizando a redação e agrupando expressões-chave como “energia solar” ou “custo solar” — transformou esse fluxo ruidoso em um conjunto de dados mais limpo e comparável, protegendo a privacidade dos usuários.

Como a IA aprende o tom das conversas sobre solar

Para ler o sentimento nesses textos, a equipe construiu um modelo híbrido que combina duas formas complementares de representar a linguagem. Uma, chamada TF–IDF, mede quão distintiva é uma palavra ou expressão no corpus, elevando termos que sinalizam fortemente temas importantes como “custo”, “confiabilidade”, “política” ou “retorno do investimento”. A outra vem do BERT, um modelo de linguagem moderno baseado em transformadores que representa cada frase em um espaço de alta dimensão, capturando nuances, ironia e contexto que contagens simples de palavras deixam passar. Ao concatenar essas duas visões em um único vetor de características e treinar um classificador com exemplos rotulados, o sistema aprende tanto quais palavras importam quanto como elas são usadas em frases reais sobre energia solar.

Verificando a precisão e tornando os resultados acionáveis

A abordagem híbrida não é apenas elegante no papel; ela tem desempenho sólido na prática. Em dados de teste retidos que o modelo nunca viu durante o treinamento, ele atinge uma pontuação F1 de 0,82, com precisão e recall equilibrados para sentimentos positivos e negativos e uma acurácia geral de 0,84. Verificações adicionais — como curvas ROC, curvas de precisão–recall e gráficos de calibração — mostram que as probabilidades previstas correspondem bem aos resultados reais, ou seja, o modelo sabe quando está confiante e quando está incerto. Os autores avançam um passo além, usando gráficos de ganho acumulado, curvas de lift e acurácia “Top‑K” para demonstrar que, se um formulador de políticas puder examinar apenas uma pequena fração das postagens, concentrar‑se nas previsões de maior confiança do modelo revela muito mais comentários relevantes e úteis para decisão do que uma amostragem aleatória.

Com o que as pessoas mais se preocupam

Uma vez que o sistema separa de forma confiável discussões positivas das negativas, os pesquisadores investigam o que domina o campo negativo. Eles constataram que mais de 40% do sentimento negativo gira em torno de dinheiro — custos iniciais de instalação, dúvidas sobre o tempo de retorno do investimento e receios de taxas ocultas. Cerca de um quarto dos comentários negativos destacam preocupações sobre confiabilidade: os painéis funcionarão em mau tempo, a manutenção será um transtorno, e é possível confiar nos instaladores e equipamentos? Quase uma em cada cinco postagens negativas reflete ceticismo ambiental, como preocupações sobre a fabricação dos painéis, reciclagem ou se a energia solar realmente reduz emissões quando se considera todo o ciclo de vida. Confusão e frustração com políticas também aparecem, mas com menor intensidade do que essas barreiras centrais.

Transformando insights em maior adoção solar

Para um leitor não especialista, o resultado principal é direto: ao ouvir com atenção conversas online em grande escala com uma IA ajustada para o domínio solar, torna‑se possível quantificar o que está impedindo as pessoas. O custo surge como o maior obstáculo, seguido pela confiança no desempenho e dúvidas persistentes sobre os benefícios ambientais. Como o modelo pode destacar os casos mais confiantes e informativos e visualizar tendências ao longo do tempo, ele fornece aos formuladores de políticas, instaladores e defensores um painel prático das preocupações públicas. Isso, por sua vez, pode orientar incentivos direcionados, comunicação mais clara sobre economia e confiabilidade e respostas melhores a questões ambientais — medidas que podem ajudar mais residências a se sentirem prontas para dar o salto para a energia solar.

Citação: 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

Palavras-chave: adoção de energia solar, sentimento do consumidor, hesitação diante de energia renovável, análise de texto por IA, modelo BERT