BERT-baserad sentimentanalys av konsumenters tvekan inför solenergins införande

Varför folk fortfarande tvekar inför solkraft

Solfångare lovar ren, hemproducerad elektricitet, men många hushåll är fortfarande osäkra på att sätta dem på taket. Denna studie undersöker vad vanliga människor faktiskt säger online om solenergi—över sociala medier, recensioner och offentliga forum—och använder ett modernt språk-AI-system för att läsa av stämningen. Genom att omvandla tusentals kommentarer till en tydlig bild av farhågor och förhoppningar visar arbetet var kostnad, tillit och förvirring håller tillbaka solkraften och hur smartare analys kan hjälpa beslutsfattare och företag att svara.

Lyssna på online-röster i stor skala

I stället för att förlita sig på långsamma undersökningar eller små fokusgrupper samlade forskarna in omkring 50 000 offentliga inlägg och recensioner som nämnde solinförande, och filtrerade sedan ner detta till 22 000 tydligt positiva eller negativa poster. Dessa kom från plattformar som korta meddelanden, trådade diskussioner, konsumentrecensionssajter och öppna webbsidor. Genom att dra nytta av många källor i stället för en enda minskar studien risken för att överlyssna en typ av användare eller region. Noggrann förbehandling—ta bort dubbletter, rensa bort användarnamn och länkar, standardisera formuleringar och gruppera nyckelfraser som “solenergi” eller “solkostnad”—förvandlade denna brusiga ström till en renare, mer jämförbar datamängd samtidigt som användarnas integritet skyddades.

Hur en AI lär sig tonen i solpratet

För att läsa sentimentet i texten byggde teamet en hybridmodell som kombinerar två kompletterande sätt att representera språk. Det ena, kallat TF–IDF, mäter hur utmärkande ett ord eller en fras är i korpusen och lyfter fram termer som tydligt signalerar viktiga teman som “kostnad”, “pålitlighet”, “politik” eller “återbetalningstid”. Det andra kommer från BERT, en modern transformerbaserad språkmodell som representerar varje mening i ett högdimensionellt rum och fångar nyans, ironi och kontext som enkla ordräkningar missar. Genom att sammanfoga dessa två perspektiv till en enda funktionsvektor och träna en klassificerare på märkta exempel lär sig systemet både vilka ord som är viktiga och hur de används i verkliga meningar om solkraft.

Kontroll av noggrannhet och göra resultaten användbara

Den hybrida metoden är inte bara smart på papper; den presterar stabilt i praktiken. På avskilt testdata som modellen aldrig såg under träningen uppnår den ett F1-värde på 0,82, med balanserad precision och återkallelse för både positivt och negativt sentiment och en total noggrannhet på 0,84. Ytterligare kontroller—såsom ROC-kurvor, precision–recall-kurvor och kalibreringsdiagram—visar att de förutspådda sannolikheterna stämmer väl överens med verkliga utfall, vilket innebär att modellen vet när den är säker och när den är osäker. Författarna går sedan ett steg vidare och använder kumulativa vinstdiagram, lift-kurvor och ”Top-K”-noggrannhet för att visa att om en beslutsfattare bara kan granska en liten andel av inläggen, så framhäver fokus på modellens högsta förtroendeförutsägelser betydligt fler relevanta, beslutsvärda kommentarer än slumpmässigt urval skulle göra.

Vad folk oroar sig mest för

När systemet pålitligt skiljer positiv från negativ diskussion undersöker forskarna inslagen i den negativa gruppen för att se vilka teman som dominerar. De finner att över 40 % av det negativa sentimentet kretsar kring pengar—initiala installationskostnader, tvivel om återbetalningstid och rädsla för dolda avgifter. Ungefär en fjärdedel av negativa kommentarer belyser oro över pålitlighet: kommer panelerna att fungera i dåligt väder, blir underhållet ett bekymmer och kan man lita på installatörer och utrustning? Nästan en av fem negativa inlägg speglar miljöskepsis, såsom farhågor om paneltillverkning, återvinning eller om sol verkligen minskar utsläpp när hela livscykeln beaktas. Förvirring och frustration kring policyfrågor framträder också, men något svagare än dessa kärnhinder.

Göra insikter till bättre solinförande

För en icke-specialist är huvudsaken enkel: genom att noga lyssna på storskaliga onlinekonversationer med en AI finjusterad för solområdet går det att kvantifiera vad som håller människor tillbaka. Kostnad framträder som det största hindret, följt av tillit till prestanda och kvarvarande tvivel kring miljövinster. Eftersom modellen kan lyfta fram de mest säkra, informativa exemplen och visualisera trender över tid ger den beslutsfattare, installatörer och förespråkare en praktisk instrumentpanel över allmänhetens oro. Det kan i sin tur vägleda riktade incitament, tydligare kommunikation om besparingar och pålitlighet samt bättre svar på miljöfrågor—åtgärder som skulle kunna få fler hushåll att känna sig redo att ta steget till solkraft.

Citering: 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

Nyckelord: införande av solenergi, konsumenters känsloläge, tvekan inför förnybar energi, AI-textanalys, BERT-modell