基于自然语言处理的英国政府移动应用公民反馈情感与主题分析框架

《IEEE Access》：An NLP-Based Framework for Sentiment and Topic Analysis of Citizen Feedback on UK Government Mobile Applications

本研究针对政府难以高效分析海量非结构化公民反馈的挑战，开发了一个结合自然语言处理（NLP）技术的情感分析与主题建模框架。研究人员通过采集英国三大政府移动应用（HMRC、NHS、GOV ID CHECK）的10,570条用户评论，利用TextBlob和VADER进行情感标注，并结合逻辑回归、随机森林等机器学习模型进行验证。结果显示：1）基于TextBlob的情感分析准确率达80%；2）HMRC应用用户满意度最高；3）身份验证和登录问题是共性痛点；4）NLP技术能有效辅助政府优化公共服务。该研究为公共部门动态感知民意、提升数字服务品质提供了方法论支持。

　　

在数字化浪潮席卷全球的背景下，各国政府正积极借助先进技术提升公共服务效率与公民参与度。然而，面对应用商店中海量、非结构化的用户反馈，如何快速准确地捕捉民意、识别服务痛点，成为公共管理部门面临的重要挑战。传统依赖问卷调查和人工访谈的方式不仅成本高昂，且难以应对实时涌现的公民意见。正是在这一现实需求驱动下，一项发表于《IEEE Access》的研究探索了自然语言处理（NLP）技术在公共管理领域的创新应用。

为了系统分析公民对政府移动应用的真实体验，研究团队选取了英国三大主流政府应用——税务海关总署（HMRC）应用、国民医疗服务体系（NHS）应用和身份验证（GOV ID CHECK）应用作为研究对象。通过爬取苹果App Store和谷歌Play Store的10,570条用户评论，研究人员构建了一个多源反馈数据集。研究采用混合方法论：首先利用TextBlob和VADER两种词典工具进行情感标注，再通过逻辑回归、支持向量机（SVM）等四种机器学习模型优化分类性能；同时采用隐狄利克雷分布（LDA）主题模型挖掘深层议题。

关键技术方法包括：基于Python的网络爬虫采集多平台用户评论；文本预处理中的词形还原（lemmatization）和TF-IDF特征提取；结合词典标注与机器学习的情感分析流程；通过网格搜索确定最优主题数量的LDA建模。

情感分析结果显示，TextBlob标注结合逻辑回归或SVM模型在三个数据集上均表现最佳，准确率稳定在80%-85%之间。具体而言，HMRC应用获得最高用户满意度（65%正面评价），而NHS应用反馈呈现两极分化（45%正面 vs 38%负面）。对比实验表明，TextBlob在分类一致性上显著优于VADER（p<0.05）。错误分析发现，包含正负情感混合的评论（如“更新前好用，更新后无法登录”）是主要误分类来源。

主题建模结果揭示出公民关注的共性议题与个性需求。通过优化超参数（α=0.01, β=1）的LDA模型识别出四大核心主题：

1. 1.
   应用与政府网站链接问题：用户频繁提及“循环跳转”“无法对接”等流程障碍；
2. 2.
   身份验证挑战：涉及护照芯片扫描、视频认证等技术瓶颈；
3. 3.
   使用便捷性与满意度：正面反馈多聚焦“操作简单”“功能实用”等体验；
4. 4.
   疫情相关功能需求：NHS应用中新冠通行证更新、旅行验证等特定场景需求突出。
   

讨论与结论部分指出，研究验证了NLP技术在公共舆情分析中的有效性。一方面，情感分析精度与现有文献报道的80%基准相符，证实了方法论可靠性；另一方面，主题建模结果与技术接受模型（TAM）理论框架形成呼应——感知有用性（perceived usefulness）和易用性（perceived ease of use）是影响政府应用采纳的关键因素。值得注意的是，身份验证流程作为跨应用共性痛点，提示政府需优先优化安全性与用户体验的平衡设计。

该研究的实践意义在于为政府部门提供了可复用的分析框架：通过自动化处理公民反馈，能够动态捕捉服务缺陷、精准定位改进方向，从而增强数字包容性并提升公众信任。未来工作可引入Transformer模型增强上下文理解，或结合时序分析追踪应用更新后的民意演变轨迹，进一步强化政府在数字治理时代的响应能力。