Kan ytringer på Twitter brukes som en forenklet form for opinionsundersøkelser? Oskar Vågerö og hans kolleger har brukt maskinlæring til å tolke Twitter-meldinger om vindmøller.
Opinionsundersøkelser gjøres jevnlig for å måle hva folk flest tenker eller mener om ulike temaer. Da velger forskere ut et knippe mennesker som skal representere sammensetningen av befolkningen. Alder, kjønn, bosted og utdanningsnivå er typiske faktorer som tas hensyn til. Men er det mulig å finne ut hva folk mener på andre måter?
Vågerö tar doktorgrad ved Institutt for teknologisystemer ved Universitetet i Oslo. Han forsker på sosiale aspekter ved energisystemer og rettferdig energiomstilling. Han var nysgjerrig på om det fantes andre måter å finne ut hva folk flest mener om vindmøller i Norge.
Folk ytrer seg mindre filtrert på Twitter
– Utgangspunktet var opinionsundersøkelser og intervjuer, men vi ville finne ut om det er mulig å bruke større datavolumer, forklarer han.
Resultatet ble å trene opp språkmodellen NorBERT til å tolke meldinger fra Twitter.
– Vi valgte Twitter fordi det er et sosialt medium hvor folk ytrer seg mindre filtrert. Folk kan være veldig spontane, fordi mobiltelefonen er med overalt. Da kan de ytre seg eller reagere på noe de leser umiddelbart, forklarer Vågerö. Det ville ha vært enda bedre med Facebook, men der er det vanskeligere å få tilgang til data fra for eksempel lukkede grupper. På Twitter er foreløpig alt åpent, selv når du ikke har en bruker.
Det å bruke maskinlæring til å analysere Twittermeldinger kan ha noen fordeler.
Umiddelbar respons på saker som engasjerer
– Hvis det skjer noe kan du se det i meldingstrendene med en gang. Det kan man ikke med en spørreundersøkelse som utføres én gang i året, sier Vågerö.
Fra analysene kan han blant annet se noen hendelser som fikk store utslag. For eksempel var kommunevalget i 2019, hvor vindmøller var et tema for mange kommuner, viktig. En annen hendelse som gav store utslag, var mediedekningen rundt havørn og andre ville fugler som blir drept av vindmøllene. Dette sammenfalt for øvrig med en strengere regulering av vindkraft i en stortingsmelding, se figur.
Dessverre ble datainnsamlingen avsluttet før opprøret rundt vindmøllene på Fosen i mars 2023, men Vågerö forteller at de så noe økt Twitteraktivitet i forbindelse med dommen om Fosen-vindmøllene i 2021.
Folk er både mer positive og mer negative til vindmøller enn det forskerne trodde
– Folk er mindre negative til vindmøller på Twitter, enn hva som kommer fram hvis man for eksempel ser på diskusjoner i avsier og andre medier, sier Vågerö.
Likevel viser det seg at det er en nedadgående trend. Folk var mer positive til vindmøller tidligere.
Andelen Tweets som er negative har gått noe ned siden 2020, men Vågerö tror at dette kan forklares ved at færre var opptatt av vindmøller under pandemien, og senere Ukraina-krigen.
Vindmøller på Haramsøya engasjerer mest på Twitter
– Vi tror at de som er negativt innstilt til vindmøller er gjerne det litt av og på. Når de er opptatt av andre ting ytrer de seg ikke om vindmøller. De som er positive er gjerne mer til stede hele tiden, forklarer han.
Han forteller videre at det at Olje- og energidepartementet godkjente bygging av åtte vindturbiner på Haramsøya i mars 2020 har ført til mye aktivitet på Twitter, noe han finner spor av i datasettet.
– Haramsøya er spesifikt den plassen som har fått mest oppmerksomhet på Twitter, sier Vågerö. Vi har ikke sett på hvilke argumenter som er brukt, men snarere at ordet Haramsøya dukker opp sammen med ord og vendinger som NorBERT assosierer med negative holdninger til vindkraft.
For å gjøre undersøkelsene har Vågerö brukt en maskinlæring via språkmodellen NorBERT som er utviklet ved institutt for informatikk ved Universitetet i Oslo. Denne modellen ble matet med Twittermeldinger om vindkraft og så skulle den si hvorvidt personen som hadde skrevet den var negativt innstilt, eller positivt innstilt.
Språkmodellen sliter med noen typer meldinger
– Gradvis forstod den hva som var positive meldinger og hva som var negative, sier Vågerö.
Han forteller videre at det likevel er noen utfordringer med å gjøre det på denne måten:
– Hvis en melding er positivt innstilt til vindkraft i Tyskland, men negativt innstilt til vindkraft i Norge, blir den usikker, sier Vågerö.
I tillegg har innhold som blir vurdert som rene faktaopplysninger vurdert som nøytralt. I datasettet klassifiseres dette sammen med de positive meldingene. Vågerö forklarer at det er fordi de er mest interesserte i de negative meldingene.
– Vi er mest interesserte i de negative meldingene og hvordan disse endrer seg over tid. Det er det negative som driver mye av debatten og tar mest plass, forklarer Vågerö. Derfor kan man lett få inntrykk av at det er mest motstand mot vindkraft, men det stemmer altså ikke. I alle fall ikke på Twitter.
Denne metoden kan være et godt tilleggsverktøy
Likevel er det ikke slik at Twitter kan erstatte opinionsmålingene, selv om Twitter-målingene kanskje kan gi et bedre øyeblikksbilde av hva som skjer. Grunnen til dette er at de som twitrer er overrepresentert i Oslo. I tillegg er personer med høyere utdanning, gjerne innenfor journalistikk eller politikk, overrepresentert blant dem som ytrer seg. Det er viktig å ha i bakhodet når Twitter-følelser skal sammenliknes med hva folk svarer i offentlige spørreundersøkelser.
– Det viktige her er å teste en ny metode som flere kan bruke i fremtiden, sier Vågerö. Vi har gjort forsøket i Norge fordi vi er interesserte i den norske utviklingen, men i land med en større befolkning vil det være mer data å hente inn og det vil være mulig å få flere detaljer.
Han forklarer at i Norge er det vanskelig å se på om det for eksempel er geografiske forskjeller i tanker om vindmøller fordi det er for lite data fra noen deler av landet.
– Denne metoden vil nok aldri erstatte opinionsundersøkelser, men den vil kanskje kunne være et supplement, avslutter Vågerö.
Les forskningsartikkelen her:
Oskar Vågerö, Bråte, A., Wittemann, A., Robinson, J. Y., Sirotko-Sibirskaya, N., & Zeyringer, M. (2023). Machine Learning of Public Sentiments toward Wind Energy in Norway (arXiv:2304.02388). arXiv.http://arxiv.org/abs/2304.02388
