[论文解读] Machine Learning of Public Sentiments toward Wind Energy in Norway

Oskar Vågerö, Anders Bråte+4 more|arXiv (Cornell University)|Apr 5, 2023

Social Acceptance of Renewable Energy参考文献 33被引用 4

一句话总结

本研究采用基于挪威 BERT 的 NLP 模型（NorBERT）分析 2006 至 2022 年间挪威公众对风能的舆论情绪，数据来源为 68,828 条带有地理标签的 Twitter 推文。研究发现负面情绪显著上升，2020 年达到峰值 32.5%，全国范围内的讨论模式显示区域聚类较弱，表明该方法可规模化追踪舆论动态，并可作为传统调查研究的补充。

ABSTRACT

Across Europe negative public opinion has and may continue to limit the deployment of renewable energy infrastructure required for the transition to net-zero energy systems. Understanding public sentiment and its spatio-temporal variations is as such important for decision-making and socially accepted energy systems. In this study, we apply a sentiment classification model based on a machine learning framework for natural language processing, NorBERT, on data collected from Twitter between 2006 and 2022 to analyse the case of wind power opposition in Norway. From the 68828 tweets with geospatial information, we show how discussions about wind power intensified in 2018/2019 together with a trend of more negative tweets up until 2020, both on a regional level and for Norway as a whole. Furthermore, we find weak geographical clustering in our data, indicating that discussions are country wide and not dominated by specific regional events or developments. Twitter data allows for detailed insight into the temporal nature of public sentiments and extending this research to additional case studies of technologies, countries and sources of data (e.g. newspapers, other social media) may prove important to complement traditional survey research and the understanding of public sentiment.

研究动机与目标

• 理解挪威陆上风能公众舆论在时空维度上的演变过程。
• 评估 Twitter 数据与 NLP 技术在追踪可再生能源公众舆论方面的效用，超越传统调查方法。
• 评估在能源政策背景下，微调后的挪威 BERT 模型（NorBERT）用于情感分类的可行性与局限性。
• 将 NLP 衍生的情感趋势与现有调查数据进行比较，识别影响舆论讨论的关键事件。
• 探讨社交媒体数据在制定能源转型政策与公众参与策略方面的潜力。

提出的方法

• 对挪威 BERT 模型（NorBERT）进行微调，用于对挪威语推文进行二元情感分类。
• 通过与风能相关的关键词查询，收集了 2006 至 2002 年间 68,828 条带有地理标签的 Twitter 推文。
• 应用数据预处理步骤，包括文本清洗、标准化处理，并筛选具有地理空间相关性的内容。
• 采用二元情感分类框架，根据模型预测结果将推文标记为“负面”或“非负面”。
• 通过保留测试集的 F1 得分 0.88 评估模型性能。
• 开展时空分析，以识别情感的区域趋势与时间上的转变。

实验结果

研究问题

• RQ1 2006 至 2022 年间，挪威公众对风能的舆论情绪如何随时间演变？
• RQ2 情感的地理分布如何？舆论讨论在多大程度上呈现区域聚类特征，或具有全国性特征？
• RQ3 Twitter 数据中的情感趋势与传统公众舆论调查结果相比有何异同？
• RQ4 特定事件（如抗议活动、政策变更）在社交媒体中反映的舆论情绪变化中起到何种作用？
• RQ5 基于 NLP 的 Twitter 数据分析在多大程度上可与基于调查的研究互补或形成对比，以评估能源政策的接受度？

主要发现

• 自 2018/2019 年以来，Twitter 上关于风能的公众讨论显著加剧，活动水平相比早期年份增长四倍。
• 对风能的负面情绪在 2020 年达到峰值，占所有推文的 32.5%，为研究期间的最高比例。
• 尽管负面情绪上升，但整体趋势显示 2020 年后负面情绪呈下降趋势，表明舆论讨论可能趋于稳定或发生转变。
• 空间分析显示地理聚类较弱，表明风能相关讨论在挪威全国范围内广泛存在，而非由局部事件驱动。
• Twitter 上的情感趋势与关键国家事件（如 2020 年哈拉姆索亚抗议活动、鸟类死亡报告）相吻合，表明舆论受事件驱动。
• 模型取得 F1 得分 0.88，表明使用 NorBERT 对挪威语文本进行二元情感分类具有较强性能。