Zrozumienie wsparcia społecznego dla polityk klimatycznych jest niezbędne w kształtowaniu skutecznych strategii ograniczających skutki zmian klimatycznych. Jednakże przewidywanie wsparcia politycznego od dawna stanowi wyzwanie, ponieważ na opinię publiczną wpływa wiele czynników. Interdyscyplinarny zespół badaczy, kierowany przez profesora Asima Zię z Uniwersytetu w Vermont, w tym profesor Katherine Lacasse z Rhode Island College, profesor Ninę Fefferman i profesor Louis Gross z Uniwersytetu w Tennessee oraz profesora Briana Beckage’a z Uniwersytetu w Vermont, opracował nowe podejście do uczenia maszynowego, aby lepiej zrozumieć te złożoności. Ich badanie, opublikowane w recenzowanym czasopiśmie Sustainability, wprowadza metodę zwaną probabilistycznym modelem równań strukturalnych – metodę statystyczną, która bada relacje między różnymi czynnikami poprzez uwzględnienie współzmiennych prawdopodobieństw i niepewności, co pomaga analizować, jak różne czynniki – takie jak obawy ludzi dotyczące zmiany klimatu, ich przekonania, poglądy polityczne, rasa i pochodzenie demograficzne – wpływają na ich poparcie dla polityki klimatycznej.
W przeciwieństwie do starszych metod, które opierają się na założeniach dotyczących najważniejszych czynników, to nowe podejście wykorzystuje uczenie maszynowe – rodzaj sztucznej inteligencji, która pozwala komputerom znajdować wzorce w danych i ulepszać przewidywania bez konieczności bezpośredniego programowania, aby znajdować wzorce w dużych zbiorach danych. „Korzystając z technik uczenia maszynowego bez nadzoru, pozwalamy, aby same dane pokazywały nam powiązania między różnymi czynnikami, eliminując uprzedzenia wynikające z ludzkich domysłów” – wyjaśnił profesor Zia. W badaniu wykorzystano dane z długoterminowego badania zatytułowanego „Climate Change in the American Mind”, które obejmowało ponad dekadę i obejmowało odpowiedzi od reprezentatywnej dla całego kraju części społeczeństwa. Ta nowa metoda umożliwia prognozowanie ze znacznie większą dokładnością niż w przypadku tradycyjnych metod statystycznych.
Jednym z najbardziej zaskakujących wniosków badania jest odkrycie wcześniej nierozpoznanej grupy „letnich zwolenników”, którzy stanowią większość populacji Stanów Zjednoczonych. W przeciwieństwie do zdecydowanych zwolenników lub zdecydowanych przeciwników polityk klimatycznych, osoby te nie mają pojęcia o ryzyku klimatycznym i mają ambiwalentne podejście do wspierania lub przeciwstawiania się działaniom w ramach polityki klimatycznej. Z badań wynika, że ludzie nie myślą o ryzyku klimatycznym w jeden sposób. Zamiast tego w badaniu podzielono percepcję ryzyka na dwa typy: analityczny (ocena logiczna) i afektywny (reakcja emocjonalna). „Odkryliśmy, że emocje, takie jak zmartwienie, odgrywają większą rolę w kształtowaniu wsparcia politycznego niż czysto logiczna ocena ryzyka klimatycznego” – zauważyła profesor Zia. Ponadto zauważył, że „można wykorzystać zarówno przekaz emocjonalny, jak i analityczny, aby przekonać 60% zdezorientowanej, w większości umiarkowanej i ambiwalentnej opinii publicznej do poparcia wspólnych działań”.
Badanie profesora Zii i jego współpracowników potwierdza również, że poglądy i przekonania polityczne na temat nauk o klimacie silnie wpływają na wsparcie polityczne. Osoby, które ufają konsensusowi naukowemu, ogólnemu porozumieniu ekspertów opartemu na dużym materiale dowodowym w sprawie zmian klimatycznych, częściej popierają polityki klimatyczne, podczas gdy ci, którzy nie są im przeciwni. Jednak model uczenia maszynowego pokazuje, że tożsamość polityczna, czyli powiązanie danej osoby z określonymi przekonaniami politycznymi lub partiami, które kształtują jej poglądy na pewne kwestie, sama w sobie nie determinuje w pełni poglądów ludzi. Uwzględniając także takie czynniki, jak postrzeganie ryzyka, rasa i pochodzenie demograficzne, model zapewnia głębsze zrozumienie, w jaki sposób różne grupy reagują na politykę klimatyczną.
Odkrycia te mają ważne implikacje dla decydentów i osób pracujących nad zwiększeniem wsparcia publicznego dla działań klimatycznych. Zrozumienie różnych kategorii zwolenników polityki pozwala na opracowanie skuteczniejszych strategii komunikacyjnych. Na przykład bardziej skuteczne może być apelowanie do letnich zwolenników za pomocą przekazów, które łączą emocjonalnie, zamiast skupiania się wyłącznie na faktach naukowych. W badaniu podkreślono również potrzebę uwzględnienia tendencji opinii publicznej w planowaniu polityki klimatycznej, zapewniając, że polityka odzwierciedla zmieniające się postawy w czasie.
Dzięki wykorzystaniu uczenia maszynowego badanie to oferuje nowy sposób zrozumienia, co napędza poparcie społeczne dla polityk klimatycznych. Zapewnia oparte na danych podejście do stawienia czoła jednemu z największych wyzwań w komunikacji klimatycznej: zmniejszaniu podziałów politycznych i zachęcaniu do szerszego porozumienia w sprawie potrzeby działań klimatycznych.
Odniesienie do czasopisma
Zia, A., Lacasse, K., Fefferman, NH, Gross, LJ i Beckage, B. „Uczenie maszynowe probabilistycznego modelu równań strukturalnych w celu wyjaśnienia wpływu postrzegania ryzyka klimatycznego na wsparcie polityki”. Zrównoważony rozwój, 2024, 16, 10292. DOI: https://doi.org/10.3390/su162310292
O Autorach
Asim ZiaDziałania badawcze, dydaktyczne i informacyjne skupiają się na zwiększaniu trwałości i odporności zintegrowanych systemów społeczno-środowiskowych. Asim Zia jest profesorem polityki publicznej i informatyki na Wydziale Rozwoju Społeczności i Ekonomii Stosowanej, a następnie na Wydziale Informatyki Uniwersytetu Vermont (UVM). Jest dyrektorem Instytutu Dyplomacji i Bezpieczeństwa Środowiskowego (IEDS) oraz doktoratem. program w zakresie polityki zrównoważonego rozwoju, ekonomii i zarządzania na Uniwersytecie w Vermont.
Katarzyna Lacassejest profesorem psychologii w Rhode Island College. Jej badania koncentrują się na postrzeganiu ryzyka i zmianie zachowań w odniesieniu do zmian klimatycznych, lokalnych ekosystemów, projektów w zakresie infrastruktury środowiskowej i zachowań zdrowotnych. Duża część jej ostatnich prac jest prowadzona w ramach zespołów interdyscyplinarnych, koncentrujących się na włączaniu informacji zwrotnych z ludzkiego systemu społecznego do modeli klimatycznych i epidemiologicznych.
Profesor Nina Fefferman badania skupiają się na matematyce epidemiologii, ekologii ewolucyjnej i behawioralnej oraz zachowaniach samoorganizujących się, zwłaszcza systemów opisywanych przez sieci. Chociaż badania w laboratorium Feffermana często koncentrują się na chorobach w populacjach ludzi i/lub zwierząt oraz na tym, jak choroby i ekologia behawioralna z nimi związana mogą wpłynąć na krótkoterminowe przetrwanie i długoterminowy sukces ewolucyjny populacji, ludzie w laboratorium pracowali nad problemami tak różnorodnymi, jak bezpieczeństwo sieci komputerowych po zachowania społeczne w organizacjach oddolnych, które czynią ruch podatnym na radykalizację.
Louisa J. Grossa jest emerytowanym profesorem rektora ekologii, biologii ewolucyjnej i matematyki na Uniwersytecie Tennessee w Knoxville. Jest emerytowanym dyrektorem Narodowego Instytutu Syntezy Matematycznej i Biologicznej, ośrodka finansowanego przez NSF, którego zadaniem jest wspieranie badań i edukacji na styku matematyki i biologii. Jest członkiem Amerykańskiego Stowarzyszenia Postępu Nauki, Towarzystwa Ekologicznego Ameryki i Towarzystwa Biologii Matematycznej.
Profesor Brian Beckageszeroko interesuje się obliczeniami i złożonością. Jego szczególne zainteresowania dotyczą zmian klimatycznych, różnorodności gatunkowej, dynamiki lasów i skrzyżowania procesów społecznych z systemami naturalnymi. Kładzie nacisk na zastosowanie podejść ilościowych do badania tych systemów, w tym modeli statystycznych, analitycznych i obliczeniowych.
