《Computers, Environment and Urban Systems》：Evaluating the digital divide in public transport services: A natural language processing analysis of user experiences in Birmingham
编辑推荐：
利用人工智能（AI）辅助的文本分析，对4000条公共交通应用评论进行了研究，探索了数字体验和情感反应。主题建模（Topic Modelling）揭示了三个独特的主题，与数字鸿沟理论（digital divide theory）的层次在概念上一致。情感分析（Se
利用人工智能（AI）辅助的文本分析，对4000条公共交通应用评论进行了研究，探索了数字体验和情感反应。主题建模（Topic Modelling）揭示了三个独特的主题，与数字鸿沟理论（digital divide theory）的层次在概念上一致。情感分析（Sentiment Analysis）显示总体负面情绪，尤其是针对技术可靠性和客户服务。开放且可复现的自然语言处理（NLP）流程展示了公民生成数据如何支持数字孪生（digital twin）中的包容性城市规划。
在智慧城市发展背景下，公共交通系统的数字化转型已成为提升效率与可持续性的关键，但数字鸿沟（digital divide）加剧了社会与空间不平等。现有研究多依赖调查或访谈，样本有限且存在回忆偏差。为弥补这一缺口，研究人员以英国伯明翰（Birmingham）为案例，收集了来自苹果App Store和谷歌Play Store的6个官方公共交通应用（包括West Midlands Railway、West Midlands Metro、NX Bus、TfWM/Swift、Swift Collector、Beryl）的4275条用户评论（2016–2025年），通过自然语言处理（NLP）分析用户体验，并评估其在数字鸿沟理论中的映射。研究得出以下结论：应用性能（App Performance）、可用性（Usability）和服务满意度（Service Satisfaction）三个主题分别对应数字鸿沟的接入层、技能层和结果层；情感分析（Sentiment Analysis）显示整体负面情绪（50.32%），尤其针对技术可靠性及客户服务；主题-情感交互表明，应用性能主题情感最负面（-0.17），而可用性主题相对正面（0.29）。该研究证明了NLP方法在评估数字包容性方面的潜力，为智慧城市规划提供数据驱动证据，并发表在《Computers, Environment and Urban Systems》。
主要技术方法包括：数据收集（Python爬虫，基于beautifulsoup库，从苹果App Store和谷歌Play Store提取2016–2025年伯明翰6个官方公交应用的用户评论，共4275条，仅保留英文评论及同时包含评分和文本的条目）；数据预处理（去重、标准化、词形还原、停用词移除、分词，使用texclean、stringi、textstem、quanteda包）；主题建模（采用Biterm Topic Modelling, BTM，参数K=3，α=50/K，β=0.01，迭代2000次，通过复合诊断分数优化主题数）；情感分析（混合方法，结合sentimentr包的词典分析与VADER包的规则分析，z标准化后取均值生成集成情感得分，并分类为正向≥0.05、负向≤-0.05、中性；手动筛查反讽/讽刺评论并调整领域词汇）；主题-情感交互（对后验概率≥0.30的评论计算主题级平均情感得分，使用log-likelihood比值识别正负向词汇标记）。
3.1 描述性统计（Descriptive statistics）：经数据清洗后，最终数据集包含4275条评论（苹果App Store 953条，谷歌Play Store 3322条），平均评论长度24.81词（标准差23.66），平均用户星级评分2.06（标准差1.54），显著低于中性值3分（t检验，p<0.001），表明整体负面评价。
3.2 主题建模（Topic modelling）：通过BTM识别出三个主题：主题1“应用性能”（App Performance），相对流行度48.3%，关键词涉及注册、登录和支付，对应第一级数字鸿沟（接入层）；主题2“可用性”（Usability），相对流行度22.3%，关键词涉及有用性、功能和可读性，对应第二级数字鸿沟（技能层）；主题3“满意度”（Satisfaction），相对流行度29.3%，关键词涉及客户服务、成本和退款，对应第三级数字鸿沟（结果层）。
3.3 情感分析（Sentiment analysis）：混合方法生成的集成情感得分显示，45.61%的评论为正向，50.32%为负向，4.07%为中性。集成情感得分与原始星级评分呈正相关（r=0.553，p<0.0001），验证了方法的可靠性。不同应用间情感存在差异，其中TfWM/Swift情感最负面（苹果App Store：-0.57；谷歌Play Store：-0.25），West Midlands Railway最正面（苹果：0.19；谷歌：0.51）。
3.4 主题-情感交互（Topic-sentiment interaction）：主题级情感得分显示，主题1（应用性能）平均情感为-0.17，主题2（可用性）为0.29，主题3（满意度）为0.16。log-likelihood比值分析揭示了各主题内与正负向情感显著关联的词汇，如“easy”“helpful”“quick”与正向体验相关，“crash”“error”“difficult”“unreliable”与负向体验相关。
讨论部分将三个主题映射到数字鸿沟的三层次，强调应用性能对应接入层障碍，可用性反映技能差异，满意度体现结果不平等，并指出技术可靠性和服务响应是主要不满来源。研究结论翻译如下：本研究通过自然语言处理（NLP）分析了公开的用户生成评论，揭示了公共交通系统中的数字不平等。通过将计算文本分析与三级数字鸿沟框架相结合，研究人员为智慧城市和交通公平研究提供了方法论和理论贡献。研究发现，接入、可用性和满意度方面的障碍阻碍了数字服务交付。开放的可复现流程展示了NLP数据驱动工具如何用于规划和智慧城市研究。这些发现强调了设计包容性数字基础设施的必要性，不仅要解决连接性和技术功能，还要解决界面设计、用户信心、反馈响应和感知满意度。将数据驱动分析与参与式方法相结合，有助于确保公共交通的数字转型增强可访问性和信任。
