https://doi.org/10.9717/kmms.2025.28.11.1774
本研究提出了一种通过整合在线评论数据与 Kano 模型框架下的文本挖掘来识别中国美术馆游客需求的方法。研究采用 LDA 主题建模提取体验维度，随后使用 BERT 模型进行基于方面的情感分析。最后，应用惩罚—奖励对比分析（PRCA）对 Kano 属性进行分类，并确定优化优先级。结果表明，游客最关注五个维度：展览质量、展品类型与内容、交通与入馆体验、服务设施与参观体验，以及展览环境与建筑特色。展览质量被识别为期望属性，即积极体验会适度提升满意度，而消极体验的影响更强。其他四个维度被归类为基本属性，即负面评论会显著降低总体评分。基于 IA 和 AP 指标，对优化优先级进行了排序。研究结果证明，将用户生成内容与文本挖掘和 Kano 模型相结合，用于分析和改善博物馆游客体验是可行的。
该论文聚焦中国美术馆在数字化时代中的观众需求识别问题。随着公共文化服务的发展，美术馆已由传统的收藏与展示机构，转型为兼具教育、休闲、社交与文化传播功能的综合性公共空间，观众对参观体验的要求也从单纯“看展”扩展到交通便利性、服务质量、空间环境与展览内容等多个层面。过去相关研究多采用问卷调查，但存在样本有限、成本较高及难以反映真实情绪等局限。相比之下，网络评论具有数量庞大、更新迅速、表达自然等优势，因此作者尝试结合在线评论数据与Kano模型，探索更具现实性的美术馆需求分析路径。
研究采用文本挖掘、深度学习与统计分析相结合的方法。首先从大众点评、Trip、马蜂窝等平台抓取中国美术馆2022年12月至2025年4月期间的评论数据，经清洗后获得4211条有效样本。随后通过中文分词与专业词典处理文本，并利用LDA主题模型识别观众关注的核心议题，最终归纳出5个主题维度。在情感分析阶段，研究者使用BERT模型进行基于属性的情绪识别，通过人工标注样本训练模型，取得较高准确率。最后运用PRCA方法结合Kano模型，分析各体验属性对整体满意度的影响强度及优化优先级。
研究发现，中国美术馆观众最关注的五大维度包括展览质量、展品类型与内容、交通与入馆体验、服务设施与参观体验，以及展馆环境与建筑特征。其中，展览质量属于期望型需求，优质展览虽能提升满意度，但若质量下降则更容易引发不满；其余四项均属于基本型需求，即做得好时观众认为理所当然，做得差时则显著降低整体评价。尤其服务设施与参观体验问题最突出，如设施老旧、导视不足、服务态度欠佳，因此应优先改善。论文认为，利用在线评论与人工智能分析技术能够更高效地识别观众真实需求，为美术馆数字化运营和服务优化提供科学依据。
