摘要：2025年2月，“江门市人民政府行政服务中心”官方公众号发布消息，该市已在“12345”政务便民服务热线、政务办事智能导办等电子政务服务平台应用国产人工智能模型DeepSeek。同日，“湛江政务网”公众号也发布消息，该市“12345”政务便民服务热线平台通过接

2025年2月，“江门市人民政府行政服务中心”官方公众号发布消息，该市已在“12345”政务便民服务热线、政务办事智能导办等电子政务服务平台应用国产人工智能模型DeepSeek。同日，“湛江政务网”公众号也发布消息，该市“12345”政务便民服务热线平台通过接入DeepSeek，工单文本单件处理时间由8分钟缩短至2分钟，大大提高了服务效率与精准度。另外，辽宁省、南昌市等多地“12345”政务便民服务热线宣布将人工智能技术融入“12345”热线运行。

可见，人工智能正在为数字治理提供强大的技术支持，尤其是新一代自然语言处理技术通过更为高效的多模态数据挖掘和分析，正在进一步助力提升政务回应能力。

情境问题

在治理实践活动中，基于公共服务需求者的诉求，将对诉求的回应作为任务指派，这样的运行模式逐渐被推广。近年来，“市民热线”“一网通办”等政务服务形式，均不同程度运用了这种模式。这种模式改变了过去以职能为中心的政务运行模式，形成了以“事”为中心的运行机制，同时确保了对治理需求的刚性回应。

然而，这种基于任务指派的模式在治理实践中也面临着一些挑战。比如，市民服务热线针对同一事项的不断重复来电投诉、某些事项办结后偏高的不满意率、个别责任部门在市民诉求回复方面长期考核结果不佳等情况，出现“躺平”式的应对态度等现象。这些都表明要找到并解决影响政务高效回应的梗阻问题，还要从形式上的回应向实质上的回应进一步迈进。其中，一个很重要的原因就是欠缺情境的带入。

在每一个群众诉求的背后，几乎都有着独特的情境。在政务回应中，不同的情境会引发不同的决策和行为。情境本身是碎片化的，由偶然性的各构成因素随机组合形成，又具有动态性和可变性。因此，情境的带入不是仅仅停留在物理、地理特征的可视化，而是深入了解各种因素和动态，了解诉求市民的切身感受，在此基础上实现一种与诉求市民“共情”的能力。这样才能进一步从形式上的回应，向实质上的回应迈进，而不是简单基于标准化、结构化、流程化的“公事公办”。

自注意力机制

语言中的命题与现实中的事实相对应，命题的结构反映了事实的结构。因此，如何基于市民诉求的叙事文本，比如“12345”政务便民服务热线的市民来电记录等，发掘时间、空间、问题、利益相关者等要素的词汇概念组合，这是深入揭示情境的重要路径。

2017年，“谷歌大脑”团队发表了一篇对于人工智能技术发展具有里程碑意义的论文《注意力是你所需要的一切》。随后，自注意力机制被运用于各种预训练语言模型，自然语言中的语境得以被有效分析，也对公共治理活动中以自然语言为载体的数据分析处理范式产生了巨大影响。自注意力机制可以在不同的文本中分析相同词汇的不同含义，从而表达出文本所蕴含的特定情境。所谓“自注意力”，是针对同一序列文本内部各词形（token）之间的依赖关系的捕捉。具体来说，自注意力机制通过计算词形序列中每个词形与其他所有词形之间的注意力权重，找出上、下文中哪些词形会影响另一些词形的含义，由此来捕捉这些词形之间的内在联系和依赖关系，从而表达出文本叙事背后的特定情境。目前，被广泛应用的人工智能模型DeepSeek、ChatGPT等也均是在自注意力机制主体架构上的更新和完善来运行的。

获得情境识别能力

在回应中，情境的获得要分阶段，逐步实现。首先，通过预训练，获得“通常”的情境识别能力。预训练是基于深度学习的原理，针对输入的训练语料，通过词汇向量之间的点积计算，形成专注于最重要的情境信息的注意力分配，再通过反向传播算法来不断调整直至形成最优模型参数值，使得模型有能力表达出一种识别“通常”情境的能力。“通常”情境可以理解为一种大多数情况下的情境，也可以说是词汇在多数情况下所表达的情境含义。预训练所需要的语料可以不需要人工标注，基本上是自监督学习，这在节约成本的同时，也防止了人工标注可能产生的对情境认识的主观偏差。另外，随着数据的规模日益增加，可用于预训练的语料的来源也日趋丰富。这些都为“通常”情境的获得提供了完善的条件。

参数微调

通过预训练使得模型具备了一定的“通常”情境的识别能力。但由于情境的复杂性，不同的市民诉求的情境还有或多或少的差异。因此，还必须根据下游任务的不同，相应对模型参数进行微调，以便有针对性地完成下游任务。比如，基于市民诉求所形成的工单，流转要精准对应最合适的责任单位，由此展开个性化的工单流转流程。微调过程中，模型参数再次被基于注意力机制的运行过程所调整，被微调后的词向量能体现更为深入的情境识别能力。模型的微调与预训练的重要差异在于训练的文本，微调可能需要用有监督的方法，通过有标注数据集来展开。满意度是诉求者对回应的评价，具有标注的特征。因此，微调可以使用热线投诉的历史文本记录，将市民答复满意度作为标注，进行监督学习。模型还能够学习到在市民服务或政务服务场景下的语言特征，对预训练模型进行调整和优化，从而使得模型在下游任务上表现出更高的准确率和稳健性。并且，出于成本节约，微调通常只需要相对较少的数据和较小的算力就可取得较好的效果。

精准高效回应

经过预训练和微调之后，就可以对具体的市民诉求文本进行分析，掌握市民诉求的发生情境。这其中仍旧是通过自注意力机制的运行来展开。从下游任务来看，情境的带入，提升了回应任务指派的精准性，也提升了回应措施的有效性。因为情境化使得任务的委派精准对接部门的职能、权力体系，保证任务委派的合理性，也使得回应的措施更具有对问题的针对性，这是形成良好回应效果的重要保证。

人工智能技术用于诉求文本分析首先可以超越人工研判能力，完成对复杂情境更为精准和高效的识别和解析。另外，像上海这样的超级特大城市，目前“12345”热线平均每天的来电数量在10万人次左右。面对如此巨大的回应需求，人工智能能够替代人工高效完成大批量的工单文本情境分析，在提升回应及时性的同时，节约大量成本。

在通过不断强化政务回应性来塑造治理能力的当下，人工智能技术提高了“一站式”电子政务服务中的回应责任与回应能力的适配度。在回应主体赋能的基础上，探索形成新的数字治理模式。但是，还必须认识到，由于目前的新一代自然语言处理过程还具有一定的“黑盒”特征，在一定程度上还欠缺可解释性，无法确保某些不可预知的负面结果涌现出来，尤其在公共治理领域，一旦发生，后果会较为严重。这使得新一代数字治理技术推广运用也要保持必要的谨慎态度，同时匹配纠错和补救的机制。

需要进一步思考的是，在学理层面，对于情境问题，一些学者提出的方案是从整体制度安排的高度，建构具有“多中心”特征的自主治理模式。对此，人工智能技术的发展应用是否实现了用几乎纯技术的解决方案替代相应的制度安排？抑或技术手段如何再进一步与制度安排相结合？这也需要作进一步的实践探索和理论分析。

来源：全国党媒信息公共平台