Het ministerie van Klimaat en Groene Groei wil beter begrijpen hoe inwoners denken over de energietransitie. Het doel is om niet alleen de ‘usual suspects’ te horen, maar ook het ‘stille midden’—mensen die normaal minder betrokken zijn bij overheidsbesluiten. Door deze groep te betrekken kan de overheid beleidskeuzes maken die breed gedragen worden.

De PWE-methode, ontwikkeld aan de TU Delft, simuleert keuzesituaties van de overheid zodat burgers het beleidsdilemma kunnen doorleven. Voor dit onderzoek zijn de gegevens van 18 PWEs over de energietransitie (2020–2024) samengevoegd en geanalyseerd.

In totaal gaven meer dan 53.000 Nederlanders hun mening over duurzame energietechnieken in lokale, regionale en nationale contexten. Onze datasets bevatten veel informatie over keuzes, afwegingen en geschreven motivaties, zodat het waarom van de keuzes beter begrepen kan worden.

Met AI-keuzemodellen en taalmodellen probeerden we nieuwe antwoorden te geven op de vragen:

1. Welke persoonskenmerken verklaren of mensen bepaalde energietechnieken (niet) adviseren?
2. Welke waarden en zorgen drijven deze voorkeuren? En hoe verschillen waarden en zorgen tussen doelgroepen?
3. Verschillen waarden en zorgen op nationaal, regionaal en lokaal niveau?

In totaal analyseerden we 11 energietechnieken.

De analyses laten zien dat:

• Ongeveer 70% van de deelnemers zich zorgen maakt over klimaatverandering.
• Steun voor concrete energietechnieken varieert; niet alle zorgen leiden automatisch tot draagvlak.
• AI-analyse toont dat demografische kenmerken zoals leeftijd, politieke voorkeur, opleidingsniveau en klimaatperceptie samenhangen met voorkeuren voor specifieke energietechnieken.
• Dit viel te verwachten op basis van eerder onderzoek, maar met Explainable AI-keuzemodellen kunnen we ook allerlei meer gedetailleerde uitsplitsingen maken.
• Met AI-keuzemodellen kunnen we per energietechniek profielen vaststellen met uiteenlopende voorkeuren. Deze kunnen we verder uitdiepen op basis van gedetailleerde waardenanalyses.
• Door taalmodellen te trainen op een handmatig opgesteld codeboek, zijn duizenden motivaties bekeken. Hierdoor verkregen we inzicht in welke argumenten er worden genoemd bij een keuze voor of tegen een energietechniek.
• Taalmodellen analyseerden duizenden motivaties en lieten zien hoe waarden en zorgen verschillen per energietechniek en per schaalniveau. Bijvoorbeeld: positieve motivaties voor windenergie zijn nationaal en lokaal gelijk; negatieve motivaties zoals overlast worden lokaal sterker benadrukt.

AI-analysetechnieken, zoals Explainable AI-keuzemodellen en taalmodellen, maken het mogelijk om:

• Een fijnmazig beeld van de meerstemmigheid in de samenleving te geven.
• Nieuwe frames en narratieven te vinden om een breder publiek te kunnen betrekken.
• Participatie inhoudelijk inclusiever en representatiever te maken.
• Participatieprocessen doelgerichter in te richten.

Een van de aanbevelingen is wel: blijf participeren. Het blijft belangrijk om inwoners te betrekken wanneer er keuzes gemaakt worden. De inzichten uit studies kunnen participatieprocessen ondersteunen, maar niet vervangen. Dus gebruik ze alleen om participatie te versterken.

Lees het volledige rapport over burgerperspectieven op de energietransitie of bekijk de slideshow met een samenvatting.