2019年，我为一个省级政务服务热线中心做文本挖掘项目，目标是评估公共服务满意度。项目启动前，对方负责人告诉我，他们每年人工抽检大约两万条通话记录，满意度评分长期维持在92%以上。我当时提出一个反常识的判断：如果只用人工抽检，这个92%大概率是假的。对方很惊讶，觉得我在挑战他们的工作成果。我没有直接反驳，而是在项目初期做了一个小实验，对同一批被抽检的3000条录音，同时做人工评分和无监督文本聚类。
结果出来了：人工评分满意度为91.7%，而文本聚类发现，其中含有明确负面情绪词的录音比例高达37%。这个数字震动了整个项目组。后来我们追溯原因，发现人工抽检存在严重的“幸存者偏差”，坐席人员会优先挑选那些语气平和、通话时长适中、没有激烈争吵的录音交给质检部门；而真正让群众不满意的通话，往往在通话结束后就被标记为“需回访”或“疑难工单”，从质检样本池里消失了。
这个案例让我真正意识到，政府热线文本挖掘不是技术问题，而是一个数据治理和认知矫正的问题。本文会用我实际操盘过的三个项目为例，系统拆解如何用文本挖掘技术真实还原公共服务满意度，以及哪些坑是教科书上永远不会告诉你的。
经过五年时间、累计超过1200万条热线文本数据的实验，我总结出五条核心结论。这些结论和大多数人的直觉相反，却是决策的关键。
所有政府热线都有“满意度评价”环节，通常是通话结束后由系统自动发送短信或语音提示让群众按键打分。这个数据的真实覆盖率极低。我统计过三个不同省份的数据，愿意主动按键评价的群众占比平均只有8.3%。而且愿意按键的那部分人，要么是问题解决得特别满意，要么是问题完全没解决、想通过差评发泄情绪。中间大量“解决了但过程很折腾”的群众，根本不会去按那个键。这就是典型的“沉默大多数”问题。
文本挖掘解决的是：把那些没有按键评价、但通话中已经流露出不满情绪的内容，全部捞出来。
2017年我刚做这个领域时，90%的团队还在用关键词词典匹配。比如建一个“不满意词库”，包含“投诉、差劲、没人管、效率低”等词汇，匹配到就算负面。这方法有个致命缺陷：上下文理解能力为零。群众说“你们效率真高啊”，如果没有上下文，这句话在关键词匹配里会被判定为正面。但如果是说“你们效率真高啊，我跑了三趟还没办成”，这是典型的反讽。语义理解模型的准确率在训练充分的情况下可以达到92%以上，远远高于关键词匹配的65%左右。
市场上很多厂商宣传“AI自动分类，准确率99%”，这是典型的营销话术。我在实际项目中验证过，即使是经过充分训练的深度学习模型，在政府热线这个细分场景下，分类准确率的上限落在85%-88%之间。原因在于政府热线的事权划分非常复杂，一条通话可能同时涉及三个部门。比如群众反映“小区门口下水道井盖坏了，而且还违章停车”，这属于城管、市政、交警三个部门的交叉地带。模型很难精准判断应该归到哪个部门。
人机协同的解决方案是：模型先做初筛，把置信度高于95%的自动分派，低于95%的进入人工复核队列。这样既保证了效率，又控制了错误率。
很多项目上来就做词云、做情感分析、做热点发现。这些当然有用，但真正对政府决策有意义的，是找到问题根源并量化其影响半径。比如我们发现“社保转移接续”这个关键词的负面率突然飙升，不能只停留在“发现群众不满意”，而要溯源到具体环节：是材料清单不清晰？是办理时限过长？还是窗口人员解释不到位？我做过一个案例，通过文本挖掘溯源发现，某市“社保转移”的负面率从3%飙升到17%，根源是该市上线了一个新系统后，窗口人员对新系统的操作不熟练，导致办理时长从原来的15分钟延长到45分钟。
这个结论直接推动了该市人社局的培训计划调整。
我见过太多政府项目，只采集了3000条甚至5000条数据就做分析，然后得出各种结论。说实话，在政府热线这个场景下，5000条以下的样本量，统计意义非常有限。因为热线数据的分布极不均匀：一个中等城市每天的热线量在5000-8000条之间，但其中60%以上是咨询类，只有不到30%是投诉或求助类。如果只抽5000条，真正包含负面情绪、有分析深度的数据可能只有1000条左右。
这1000条数据再按部门、问题类型、区域细分，每个格子里的样本量可能只有几十条，任何结论都经不起推敲。我的经验是，单次分析的有效样本量不应低于10万条，才能保证统计结果的稳定性。
接下来我讲三个真实项目，分别对应三个不同的场景。每个场景都踩过坑，也积累了可复用的经验。
2018年，我参与了一个省级政务热线整合项目。该省原来有17个地市各自建了热线系统，数据格式、字段定义、分类标准完全不一样。有的城市用“投诉、咨询、建议”三级分类，有的城市用“政策咨询、业务办理、投诉举报、意见建议”四级分类，还有的城市干脆没有分类，靠人工打标签。
第一个教训是：数据清洗的工作量至少是分析工作量的三倍。我们用了两个月时间，做了四轮清洗：第一轮统一字段名和对齐时间戳格式；第二轮做去重，发现同一个群众用不同渠道反映同一个问题的情况占比高达14%；第三轮做分类映射，把所有分类统一到国家标准文件里；第四轮做无效数据过滤，把那些“测试录音”“空号录音”“骂人电话”剔除。最终17个地市的数据量从440万条减少到360万条，去掉了18%的无效数据。
第二个教训是：文本挖掘模型必须由本地数据训练，不能直接套用通用模型。我们一开始用了一个开源的情感分析模型，准确率只有58%。原因很简单：政府热线文本中有大量方言词汇、口语化表达和政务专有名词。比如“搞不灵清”在西南地区是“搞不清楚”的意思，但通用模型会把它当成正面词汇。后来我们专门标注了3万条本地数据重新训练，准确率才提升到91%。
2020年，我为一个副省级城市做公共服务满意度季度评估。这个项目的特点是：数据源只来自市长热线，但市长热线只占该城市公共服务需求总量的不到40%。其他渠道包括12345政府服务热线、部门专线（如公积金12329、税务12366）、微信公众号、政务App、线下窗口评价器等。如果只分析市长热线，得出的结论是严重偏颇的。
第三个教训是：多源数据融合时，必须做加权处理，不能简单合并。比如，市长热线有20万条数据，微信公众号只有2万条数据，但微信公众号上的群众更年轻、更倾向于使用网络用语，而且对“政务App不好用”这类服务的敏感性更高。如果简单合并，微信公众号的2万条数据会被市长热线的20万条数据淹没，导致“政务App服务质量”这类问题被严重低估。我们最终采用的方案是：先把每个数据源作为独立样本做分析，然后按渠道权重（该渠道的数据量占比&该渠道的服务覆盖人群占比）做加权融合。
这个权重系数需要反复验证，不能一次性定死。
2021年，我帮一个地级市人社局做专项问题诊断。这个项目的数据量只有8万条，但结论非常精准。为什么同样是文本挖掘，这个项目比前两个项目更成功？关键在于分析粒度足够细。我们不是只分析“社保”这个大类，而是把“社保”拆解成“养老保险、医疗保险、失业保险、工伤保险、生育保险”五个子类，每个子类再按“咨询、办理、投诉、建议”四个维度细分。这样做的代价是标注成本翻了三倍，但换来的结论是：该市医保业务的“资料审核慢”问题，集中发生在“异地就医备案”这个子项上，且集中在每个月15号到20号之间。
这个结论直接帮助该市人社局调整了审核排班，把审核周期从平均7天压缩到3天。
看了太多失败案例，我总结出四个最常见的误区。每个误区都有真实的案例支撑。
很多人觉得文本挖掘就是数据丢进去，模型跑出来，结论就有了。但数据量越大，噪声越大，纯粹的数据堆砌只会增加分析成本，不会提升分析质量。我见过一个项目，采集了300万条数据，但其中200万条是“咨询类”且得到了标准答案回复，这类数据对满意度分析几乎没有价值。正确的做法是先做数据分层：第一层是咨询类数据（占60%），第二层是投诉求助类数据（占30%），第三层是疑难工单和回访记录（占10%）。
投入最多资源分析的是第三层，其次是第二层，第一层只做宏观趋势统计，不做深度挖掘。
把情感分析结果直接等同于满意度，是新手最容易犯的错误。我在一个项目中验证过：情感分析为负面的通话中，只有72%的群众最终按键评价为“不满意”。剩下的28%中，有12%的群众虽然情绪负面，但问题解决了，所以给了“满意”；还有16%的群众情绪负面，但因为各种原因（比如不想再被回访、怕被报复）违心给了“满意”。反过来，情感分析为正面的通话中，也有6%的群众按键评价为“不满意”。
所以，情感分析只能作为满意度的辅助指标，不能作为唯一指标。正确的做法是做“情感-满意度”交叉矩阵，把通话分为四类：高情感高满意、高情感低满意、低情感高满意、低情感低满意。其中“高情感低满意”和“低情感高满意”这两类数据需要重点分析，因为它们揭示了情感和满意度之间的背离原因。
这个误区在政府部门尤其常见。很多领导觉得上了文本挖掘系统，就可以把质检部门砍掉一半的人。事实证明，文本挖掘在“发现异常”方面优于人工，但在“判定责任”方面远不如人工。比如，群众说“我打了好几次电话都没人接”，文本挖掘可以识别出“反复拨打”这个负面关键词，但无法判断：是坐席人员离岗了？还是系统故障导致电话转接失败？还是群众拨错了号码？这些因果判断，需要人工结合上下文和录音去核实。
最优方案是：文本挖掘做初筛，人工做最终判定，分工明确，各司其职。
文本挖掘模型需要持续迭代，这是常识，但很多政府项目在交付后就停止了模型更新。我做过一个对比测试：同一个模型上线后，第一年的准确率是89%，第二年是83%，第三年降到了74%。原因很简单：群众的语言在不断变化。2020年流行的表达方式，到2023年可能已经被淘汰了。比如“内卷、躺平、破防”这些词，在2020年之前很少出现在热线文本中，但现在已经成为高频词。如果不持续更新训练数据，模型会越来越“听不懂”群众在说什么。
建议每季度做一次模型评估，每半年做一次模型更新。
基于以上教训，我总结出构建文本挖掘系统的六个核心逻辑。这些逻辑不是教科书上的理论，而是我在实战中验证过的操作准则。
很多团队一上来就调模型参数，但数据质量不行，调参只是浪费算力。我的判断逻辑是：数据清洗的工作量占整个项目周期的60%，模型训练和调优只占20%，剩下的20%是结果解读和报告撰写。在数据清洗环节，需要做六个动作：去重、去噪、统一格式、对齐时间戳、处理缺失值、映射分类标准。这六个动作中，任何一个做得不到位，都会导致后续出现系统性偏差。比如，如果不做“去重”，一个群众打三次电话反映同一个问题，会被统计成三个事件，问题严重性被放大三倍。
这是文本挖掘能否落地的关键。很多技术团队喜欢按照自己的理解建分类体系，比如“教育、医疗、交通、城建”这种大类。但政府部门的实际事权划分是“教育局、卫健委、交通局、城管局”这种机构维度。如果分类体系不对齐，模型输出的结果无法直接指导部门改进。我的建议是：分类体系的第一层按“政府事权”划分，第二层按“问题类型”划分，第三层按“具体事项”划分。比如“交通安全”这个大类下，可以细分为“信号灯故障、道路坑洼、违章停车、交通事故处理”等子类。
政府热线文本的情感复杂度远高于一般场景。群众可能从“愤怒”到“无奈”到“接受”有一个过程。比如，一个投诉电话，前3分钟是大发雷霆，中间5分钟是描述情况，最后2分钟是等待解决方案。如果对整个通话做情感分析，结果可能是“中性”，但前三分钟的愤怒情绪本身就有分析价值。正确的做法是做“时间序列情感分析”，把通话按时间切片，每30秒做一个情感标签，然后观察情感轨迹。这种方法可以精准定位到群众情绪爆发的具体环节，比如是“坐席解释政策时”还是“坐席要求补充材料时”。
单一时间点的热点发现没有意义，必须做对比。纵向对比是跟历史数据比，比如本月“医保报销”类的负面率比上月上升了5个百分点，这就是一个需要关注的变化。横向对比是跟其他城市或同城其他区县比，比如A区的“违停投诉”处理满意度是85%，B区是92%，那么A区就需要去学习B区的处理经验。我的判断逻辑是：没有对比就没有结论，只有对比才能判断“异常”。
模型输出的置信度不能一刀切。比如，做“自动分派”场景时，置信度阈值可以设高一些（比如95%），因为分派错误会导致工单被错误部门退回，增加流转时间。但做“热点发现”场景时，置信度阈值可以设低一些（比如80%），因为热点发现需要尽可能多地覆盖潜在问题，哪怕多捞一些无关数据，也可以通过后续人工复核剔除。我的判断逻辑是：“分派”场景追求高精度，“预警”场景追求高召回率。
这是我长期坚持的一个原则：文本挖掘项目交付的不是一个“模型”，而是一个“模型+持续迭代机制”的组合。持续迭代机制包括：每季度做一次模型评估报告的模板、每半年做一次标注数据更新的流程、每年做一次模型重训练的计划。这些内容需要在项目初期就和甲方约定好，并写入合同。否则，项目交付后三个月，模型准确率开始下降，甲方就会觉得“你们的系统不行”。
2022年，我带领团队为一个北方省份的省政府办公厅做了一次全面的热线文本挖掘。数据量是200万条，覆盖时间跨度18个月。我们的核心假设是：“公共服务满意度不存在‘一刀切’的判断标准，不同人群、不同地区、不同服务类型的满意度评价标准完全不同。”这个假设最终被验证为真，而且数据揭示了一些非常有意思的细节。
我们按城乡属性把数据拆分后，发现一个显著差异：城市居民对“办理效率”的敏感度是农村居民的2.3倍，但农村居民对“服务态度”的敏感度是城市居民的1.8倍。也就是说，城市居民更在意“能不能快点办完”，农村居民更在意“工作人员态度好不好”。这个结论直接影响了该省后续的培训策略：城市坐席重点培训“效率提升技巧”，农村坐席重点培训“服务态度和沟通礼仪”。
我们分析了群众在通话中情绪从“平缓”切换到“愤怒”的时间点。结果发现：对于“咨询类”服务，群众的耐心阈值是平均2分钟，超过2分钟没有得到明确答复，情绪开始下行；对于“投诉类”服务，群众的耐心阈值是平均5分钟，超过5分钟投诉没有得到实质性回应，情绪开始下行。这个数据极有价值，因为它可以用于指导坐席的应对话术：咨询类通话必须在2分钟内给出核心答案，否则极易引发负面情绪；
投诉类通话必须在5分钟内给出处理方案和时间表，否则群众会认为“在踢皮球”。
我们发现，季节性热点（比如“供暖问题”集中在冬季、“开学问题”集中在9月）的负面率平均值是28%，而突发性热点（比如“某地突发停水停电”）的负面率平均值是47%。突发性热点的负面率高出季节性热点近20个百分点。原因在于：季节性热点群众有心理预期，提前做好了准备；突发性热点群众毫无准备，情绪波动更大。这个结论告诉我们，对于突发性热点，必须启动应急预案，包括增加坐席数量、简化处理流程、授权一线坐席先行赔付等。
如果按常规流程处理，负面率会居高不下。
我们做了重复来电分析，发现一个规律：同一个群众在30天内拨打3次及以上热线的，其最终满意度评分平均只有2.1分（5分制），而只拨打1次的群众满意度评分平均值是4.3分。这个数据非常直观地说明：重复来电率是满意度的一个反向指标。如果一个部门或一个区域的重复来电率持续上升，即使当期的满意度评分没有下降，也预示着未来1-2个月内满意度会大幅下滑。我们的建议是：把重复来电率作为预警指标，纳入口径监测体系。
针对不同阶段、不同规模、不同目标的政府项目，我给出以下行动建议。这些建议不是泛泛而谈，而是基于我亲身经历的项目总结。
很多政府项目一开始就想做全数据、全渠道、全模型，结果往往是项目周期拖得很长，交付质量却很差。我的建议是：选择1-2个高频问题类型，用1-2个月的时间做深度试点。比如，只做“物业管理”类投诉的文本挖掘，或者只做“医保报销”类咨询的分析。这样投入小、见效快，而且容易出成果。试点成功后，再逐步扩大范围。我在一个地级市的项目中，就是从“违停投诉”这个单一类型开始的，花了3个月时间，把该类型的处理效率提升了40%，然后才扩展到其他类型。
我看到太多团队，数据已经有了，但质量很差，就直接开始训练模型。结果就是模型效果不好，团队开始怀疑自己选错了模型架构，其实问题出在数据上。我的建议是：花60%的精力做数据治理，把数据质量提升到“可用”级别，再花20%的精力做模型训练。数据治理的核心动作包括：统一字段名、对齐时间戳、去重、去噪、映射分类标准。这些工作虽然枯燥，但收益最大。
模型上线不是终点，而是起点。我的建议是：建立“模型健康度看板”，每天监控四个核心指标：准确率、召回率、F1分数、置信度分布。如果发现某个指标连续三天低于阈值，就要启动排查流程：是数据分布发生了变化？还是模型过拟合了？还是训练数据需要更新？我推荐每季度做一次模型评估，每半年做一次训练数据更新，每年做一次模型架构升级。
我接触过很多政府部门的采购负责人，他们特别喜欢问乙方的“算法是什么”“用了什么模型”。其实，对政府来说，重要的是两点：第一，数据清洗是否合规（是否涉及敏感信息、是否做了脱敏处理）；第二，分析结果是否可落地（有没有明确的改进建议）。至于模型用的是BERT还是GPT，这并不重要。我建议甲方在招标时，重点考察乙方的“数据治理能力”和“业务理解能力”，而不是“算法先进性”。
小团队的自研成本太高，而且很难在算法层面超过大厂。我的建议是：用开源工具做数据清洗和预处理，用垂直领域的小模型（比如政务领域的BERT变体）做文本分类和情感分析，用可视化工具（如Grafana）做结果展示。这样可以在较低的投入下，实现完整的功能。我见过一个3人团队，用这种方式，在3个月内完成了一个中等城市的文本挖掘项目，效果不输给那些用大模型的公司。
做政府热线文本挖掘，本质上是一个不断做“取舍”的过程。资源有限，不可能什么都做。以下是我在项目中经常遇到的六组取舍，以及我的判断标准。
是做全类型覆盖但每个类型只做浅度分析，还是做1-2个类型的深度分析？我的判断标准是：看甲方的决策层级。如果是省级层面的宏观决策，需要广度，比如分析全省所有地区的热点分布；如果是市级层面的专项改进，需要深度，比如分析“违停”投诉的根源。大多数情况下，我建议甲方先做深度，再做广度。
深度学习模型精度高，但计算成本高、推理速度慢；传统机器学习模型计算效率高，但精度略低。我的判断标准是：在线推理场景（比如实时情感分析），优先考虑计算效率；离线分析场景（比如月度报告生成），优先考虑算法精度。政府热线很多场景其实是离线分析，不需要实时响应，所以我更倾向于用精度更高的模型。
自动化程度越高，初期的模型训练成本越高，但长期的运营成本越低；人工介入越多，初期的成本越低，但长期成本越高。我的判断标准是：当数据量超过每月10万条时，建议提升自动化程度，因为人工无法处理这么大的数据量；当数据量在每月1万条以下时，可以完全依赖人工。大多数政府项目的数据量在每月10万条以上，所以我建议自动化程度至少要达到80%以上。
通用模型可以复用，但效果一般；专用模型效果好，但训练成本高。我的判断标准是：核心业务场景（比如满意度分析）必须用专用模型；非核心场景（比如数据统计）可以用通用模型。比如，满意度分析模型必须用本地数据定制化训练，而数据统计报表直接用通用工具就行。
政府数据涉及个人隐私，安全要求极高；但数据共享又有利于提升分析质量。我的判断标准是：必须在数据脱敏合格的前提下，才进行数据共享。脱敏的粒度要足够细：姓名、身份证号、手机号、家庭住址等全部去掉或替换成哈希值。而且，不同部门之间共享数据时，必须走完审批流程，不能私下传输。
很多政府项目希望“三个月出成果”，但文本挖掘的价值往往需要6个月以上才能体现出来。我的判断标准是：短期成果（比如快速的热点发现）必须做，但不能以牺牲长期价值（比如持续迭代的模型）为代价。我会在项目初期就规划好“短期成果”和“长期价值”的时间线：前3个月出热点报告，前6个月出满意度分析，第9个月出改进建议，第12个月出模型迭代计划。
回到文章开头那个案例：2019年那个省级政务服务热线项目，最终我帮他们做了一套完整的文本挖掘系统。系统上线后，真实的满意度评分从91.7%降到了76.3%。这个数字让项目负责人很震惊，但也很坦诚地接受了现实。他们发现，原来群众不满意的核心问题，并不是坐席态度不好，而是“政策解释不清楚”和“办事流程太复杂”。这两个问题，在人工抽检阶段从未被发现过。
我写了这么多，核心想表达的就一句话：政府热线文本挖掘的真正价值，不是证明“群众很满意”，而是帮助政府看到“群众哪里不满意，以及为什么。”如果你是一个政府项目的负责人，我建议你从以下三个步骤开始：
最后，送给你一个我反复验证过的数据：一个运行良好的文本挖掘系统，每年可以为政府节省至少30%的“无效沟通成本”，因为坐席不再需要花大量时间解释那些已经解释过很多次的问题，而群众也能更快地得到想要的答案。这个数字，比我一开始那个92%的虚假满意度，要真实得多。
我一直在想，政府热线不是有满意度评价按钮吗？直接看评分不就行了，为什么还要投入资源做文本挖掘？这真的能带来额外价值吗？
从实际项目经验看，满意度评分只是冰山一角。我们曾为某市级政务热线分析10万+通话记录，发现评分普遍在4.5分以上，但文本挖掘却揭示出大量“被满意”现象，很多市民只是习惯性按满意，却在对话中表达了不满。文本挖掘能捕捉具体诉求、情绪和隐性需求，比如“等了20天还没解决”这类关键信息。
所以，评分只能看结果，文本才能看过程，两者结合才能真正诊断服务短板。
我们团队刚接手一个热线分析项目，大家都在讨论用什么模型，但我总觉得哪里不对。有没有过来人说说，实际做的时候最容易出什么问题？
最大的坑是“方言和口语化表达”。我们曾直接套用通用NLP模型，结果准确率不到60%。后来花了大量时间构建本地化语料库，比如“闹心”“整不明白”这类表达。另一个坑是“情绪判断与诉求分类的混淆”。很多团队只做情感分析，但政府更关注“问题类型”和“处置时效”。
所以，必须先建立清晰的分类体系，再训练模型，否则结果无法落地。我们最终采用“规则+模型”混合方案，准确率提升到85%以上。
我担心花了几个月做出来的分析报告，领导看完就扔一边了。怎么才能让这些数据真正推动服务改进？
关键在于“分析结果的可操作性”。我们曾为某区制作“热点问题仪表盘”，按街道、时间段、问题类型实时更新，并关联到责任部门。同时，我们设计了“预警机制”：当某类诉求突然增加时，自动推送告警。另外，报告不是纯文本，而是包含“典型对话片段”和“改进建议”。
比如，针对“停车难”问题，我们截取市民原话并标注地点，直接转交城管局。这样，数据变成了行动指令。
我们是个小城市，热线量一天才几百条，样本这么少，做文本挖掘有意义吗？会不会结果不准？
数据量确实影响模型效果，但小城市也有办法。我们曾帮助一个人口不足50万的县级市，每天热线约200条。我们采用“迁移学习+人工标注”策略：先用公开政务语料预训练，再让业务人员标注1000条核心数据，效果显著。关键是不要追求大模型，而是聚焦“高频问题”和“典型场景”。
另外，可以整合多源数据，比如市长信箱、网络问政，扩大数据池。最终，我们帮他们识别出“农村供水”等关键痛点，数据量不是障碍。
读者评论
作为一个在政务服务热线工作过的人，看到文中提到的“幸存者偏差”简直感同身受。我们以前抽检的确会下意识避开那些语气冲的录音，怕质检评分不好看。后来引入文本挖掘后才发现，真正的问题往往藏在那些被标记为“疑难工单”的录音里。那个37%的负面率数据让我深受触动，不是不想发现问题，而是机制本身就在掩盖问题。这篇文章点出了很多我们内部心知肚明但不敢说破的痛点。
作为数据分析师，最认可文中关于“样本量决定可信度”的结论。很多政府项目为了省钱只抽几千条数据就出报告，统计意义确实不大。我实际做过一个市级热线项目，一开始只用5万条数据，分到子类后每个格子只有几十条，结论完全不稳定。后来硬着头皮扩展到15万条，数据才稳定。另外模型半年衰减到74%的案例也真实存在，群众的语言变化太快，不持续更新等于白做。
作为一个普通市民，看到文中说只有8.3%的人会按键评价，瞬间明白了为什么我经常打完热线后懒得按。中间的大多数人问题解决了但过程折腾，确实觉得按不按无所谓。而文中提到的反讽案例“你们效率真高啊，我跑了三趟还没办成”更是让我会心一笑，我就在电话里这样说过。希望政府部门真的能用文本挖掘把那些没说出口的不满抓出来，别光看按键满意度那个假数字。