Κλείσιμο κενών κινήτρων: LLM και αλλαγή συμπεριφοράς υγείας

Περίληψη: Μια νέα μελέτη διερευνά πώς μεγάλα γλωσσικά μοντέλα (LLM) όπως το ChatGPT, το Google Bard και το Llama 2 αντιμετωπίζουν διαφορετικές καταστάσεις κινήτρων σε περιβάλλοντα που σχετίζονται με την υγεία, αποκαλύπτοντας ένα σημαντικό κενό στην ικανότητά τους να υποστηρίζουν την αλλαγή συμπεριφοράς. Ενώ αυτοί οι παραγωγοί συνομιλητές διαπρέπουν στην παροχή πληροφοριών στους χρήστες με σαφείς στόχους, αγωνίζονται να καθοδηγήσουν όσους δεν είναι σίγουροι για αλλαγές που σχετίζονται με την υγεία, όπως η υιοθέτηση ενός πιο ενεργού τρόπου ζωής για τη διαχείριση παθήσεων όπως ο διαβήτης.

Αυτή η έρευνα υπογραμμίζει την ανάγκη για LLM να ενσωματώσουν ψυχολογικές θεωρίες και επεξεργασία φυσικής γλώσσας για την αποτελεσματική προώθηση προληπτικών συμπεριφορών υγείας, υποδεικνύοντας νέες κατευθύνσεις για τη βελτίωση των ψηφιακών λύσεων υγείας.

Βασικά στοιχεία:

  1. Οι παραγωγικοί πράκτορες συνομιλίας μπορούν να προσδιορίσουν τις καταστάσεις κινήτρων των χρηστών και να παρέχουν σχετικές πληροφορίες για άτομα που προσανατολίζονται στο στόχο, αλλά αποτυγχάνουν να βοηθήσουν όσους αμφισβητούν την αλλαγή συμπεριφοράς.
  2. Η μελέτη υπογραμμίζει ένα κρίσιμο κενό στην ικανότητα των LLM να υποστηρίζουν χρήστες με αβέβαια κίνητρα, τονίζοντας τη σημασία της ενσωμάτωσης των επιστημών συμπεριφοράς στην ανάπτυξη των LLM για την προαγωγή της υγείας.
  3. Η ερευνητική ομάδα, με επικεφαλής τη φοιτήτρια διδάκτορα Michelle Bak και την επίκουρη καθηγήτρια Jessie Chin, στοχεύει να αναπτύξει ψηφιακές παρεμβάσεις υγείας που αξιοποιούν τα LLMs για να ενθαρρύνουν θετικές αλλαγές στις συμπεριφορές υγείας.

Κρήνη: Πανεπιστήμιο του Ιλινόις

Μια νέα μελέτη που δημοσιεύτηκε πρόσφατα στο Εφημερίδα της Αμερικανικής Εταιρείας Ιατρικής Πληροφορικής (JAMIA) αποκαλύπτει πώς τα μεγάλα γλωσσικά μοντέλα (LLM) ανταποκρίνονται σε διαφορετικές καταστάσεις κινήτρων.

Κατά την αξιολόγησή τους για τρεις παραγωγικούς συνομιλητές που βασίζονται στο LLM: ChatGPT, Google Bard και Llama 2, η φοιτήτρια διδακτορικού διπλώματος Michelle Bak και η επίκουρη καθηγήτρια Jessie Chin από το University of Illinois College of Information Sciences Urbana-Champaign διαπίστωσαν ότι ενώ οι AG είναι να είναι σε θέση να προσδιορίζει τις καταστάσεις κινήτρων των χρηστών και να παρέχει σχετικές πληροφορίες όταν τα άτομα έχουν θέσει στόχους· Είναι λιγότερο πιθανό να παρέχουν καθοδήγηση όταν οι χρήστες είναι διστακτικοί ή αμφίθυμοι σχετικά με την αλλαγή της συμπεριφοράς τους.

Αυτό δείχνει ένα άτομο που χρησιμοποιεί φορητό υπολογιστή.
“Αυτό το μεγάλο χάσμα των LLMs στην ανταπόκριση σε ορισμένες καταστάσεις κινήτρων υποδηλώνει μελλοντικές κατευθύνσεις της έρευνας LLM για την προαγωγή της υγείας”, είπε ο Chin. Credit: Neuroscience News

Ο Bak παρέχει το παράδειγμα ενός ατόμου με διαβήτη που αντιστέκεται στην αλλαγή του καθιστικού τρόπου ζωής του.

«Εάν ένας γιατρός τους συμβούλευε ότι η άσκηση θα ήταν απαραίτητη για τον έλεγχο του διαβήτη τους, θα ήταν σημαντικό να τους παρέχουμε πληροφορίες μέσω του GA που τους βοηθά να αυξήσουν την επίγνωση των υγιεινών συμπεριφορών, να εμπλακούν συναισθηματικά με τις αλλαγές και να συνειδητοποιήσουν πώς οι ανθυγιεινές συνήθειές τους. μπορεί να επηρεάσει τους ανθρώπους γύρω τους.

«Αυτό το είδος πληροφοριών μπορεί να τους βοηθήσει να κάνουν τα επόμενα βήματα για να κάνουν θετικές αλλαγές», είπε ο Μπακ.

Τα τρέχοντα ΓΣ δεν διαθέτουν συγκεκριμένες πληροφορίες για αυτές τις διαδικασίες, γεγονός που θέτει το άτομο σε μειονεκτική θέση όσον αφορά την υγεία του. Αντίθετα, για άτομα που έχουν δεσμευτεί να αλλάξουν τα επίπεδα σωματικής τους δραστηριότητας (π.χ., έχουν συμμετάσχει στην προσωπική προπόνηση φυσικής κατάστασης για τη διαχείριση της χρόνιας κατάθλιψης), οι ΓΣ μπορούν να παρέχουν σχετικές πληροφορίες και υποστήριξη.

“Αυτό το μεγάλο χάσμα των LLMs στην ανταπόκριση σε ορισμένες καταστάσεις κινήτρων υποδηλώνει μελλοντικές κατευθύνσεις της έρευνας LLM για την προαγωγή της υγείας”, είπε ο Chin.

Στόχος της έρευνας του Bak είναι να αναπτύξει μια ψηφιακή λύση υγείας που βασίζεται στη χρήση επεξεργασίας φυσικής γλώσσας και ψυχολογικών θεωριών για την προώθηση προληπτικών συμπεριφορών υγείας. Απέκτησε το πτυχίο του στην κοινωνιολογία από το Πανεπιστήμιο της Καλιφόρνια στο Λος Άντζελες.

Η έρευνα του Chin στοχεύει να μεταφράσει θεωρίες από τις κοινωνικές και συμπεριφορικές επιστήμες σε τεχνολογίες σχεδιασμού και διαδραστικές εμπειρίες για την προώθηση της επικοινωνίας και της συμπεριφοράς για την υγεία σε όλη τη διάρκεια της ζωής. Διευθύνει το Εργαστήριο Adaptive Cognition and Interaction Design (ACTION) στο Πανεπιστήμιο του Ιλινόις.

Ο Chin είναι κάτοχος πτυχίου ψυχολογίας από το Εθνικό Πανεπιστήμιο της Ταϊβάν, μεταπτυχιακού τίτλου στους ανθρώπινους παράγοντες και διδακτορικού στην εκπαιδευτική ψυχολογία με εξειδίκευση στις γνωστικές επιστήμες στη διδασκαλία και τη μάθηση από το Πανεπιστήμιο του Ιλινόις.

Σχετικά με αυτά τα νέα έρευνας LLM και AI

Συγγραφέας: Cindy Bryana
Κρήνη: Πανεπιστήμιο του Ιλινόις
Επικοινωνία: Cindy Brya – Πανεπιστήμιο του Ιλινόις
Εικόνα: Η εικόνα πιστώνεται στο Neuroscience News.

Πρωτότυπη έρευνα: Κλειστή πρόσβαση.
«The Potential and Limitations of Large Language Models in Identifying Motivational States to Facilitate Health Behavior Change» από τους Jessie Chin et al. Εφημερίδα της Αμερικανικής Εταιρείας Ιατρικής Πληροφορικής


Αφηρημένη

Το δυναμικό και οι περιορισμοί των μεγάλων γλωσσικών μοντέλων στον εντοπισμό παρακινητικών καταστάσεων για τη διευκόλυνση της αλλαγής συμπεριφοράς στην υγεία.

Σημασια

Η μελέτη υπογραμμίζει τις δυνατότητες και τους περιορισμούς των μεγάλων γλωσσικών μοντέλων (LLM) στην αναγνώριση διαφορετικών παρακινητικών καταστάσεων για την παροχή κατάλληλων πληροφοριών για αλλαγή συμπεριφοράς. Ακολουθώντας το διαθεωρητικό μοντέλο (TTM), εντοπίζουμε το κύριο κενό των LLM στην ανταπόκριση σε ορισμένες καταστάσεις κινήτρων μέσω επικυρωμένων μελετών σεναρίων, προτείνοντας μελλοντικές κατευθύνσεις της έρευνας LLM για την προαγωγή της υγείας.

Στόχοι

Οι παραγωγικοί συνομιλικοί πράκτορες (GAs) που βασίζονται στο LLM έχουν αποδειχθεί επιτυχείς στη σημασιολογική αναγνώριση των προθέσεων των χρηστών. Λίγα είναι γνωστά για τις ικανότητές τους να εντοπίζουν καταστάσεις παρακίνησης και να παρέχουν επαρκείς πληροφορίες για να διευκολύνουν την εξέλιξη της αλλαγής συμπεριφοράς.

Υλικά και μέθοδοι

Αξιολογήσαμε 3 GA, ChatGPT, Google Bard και Llama 2 για να εντοπίσουμε καταστάσεις κινήτρων μετά από στάδια αλλαγής TTM. Τα GA αξιολογήθηκαν χρησιμοποιώντας 25 επικυρωμένα σενάρια με 5 θέματα υγείας σε 5 στάδια TTM. Οι απαντήσεις αξιολογήθηκαν ως προς τη συνάφεια και την πληρότητα για την κάλυψη των διαδικασιών TTM για τη μετάβαση στο επόμενο στάδιο της αλλαγής.

Αποτελέσματα

3 Η AG προσδιόρισε τις καταστάσεις κινήτρων στο στάδιο της προετοιμασίας παρέχοντας επαρκείς πληροφορίες για τη μετάβαση στο στάδιο της δράσης. Οι αποκρίσεις στις καταστάσεις κινήτρων στα στάδια δράσης και συντήρησης ήταν αρκετά καλές και περιλάμβαναν μερικές διαδικασίες ώστε τα άτομα να ξεκινήσουν και να διατηρήσουν τις αλλαγές συμπεριφοράς τους. Ωστόσο, οι GA δεν μπόρεσαν να προσδιορίσουν τις καταστάσεις κινήτρων των χρηστών στα στάδια προ-στοχασμού και στοχασμού, παρέχοντας άσχετες πληροφορίες, που καλύπτουν περίπου το 20%-30% των διαδικασιών.

Συζήτηση

Οι GA είναι σε θέση να προσδιορίζουν τις καταστάσεις κινήτρων των χρηστών και να παρέχουν σχετικές πληροφορίες όταν τα άτομα έχουν θέσει στόχους και δεσμεύσεις για την εκτέλεση και τη διατήρηση μιας ενέργειας. Ωστόσο, τα άτομα που είναι διστακτικά ή αμφίθυμα σχετικά με την αλλαγή συμπεριφοράς είναι απίθανο να λάβουν επαρκή, σχετική καθοδήγηση για να προχωρήσουν στο επόμενο στάδιο της αλλαγής.

συμπέρασμα

Τα τρέχοντα GA προσδιορίζουν αποτελεσματικά τις καταστάσεις κινήτρων των ατόμων με καθορισμένους στόχους, αλλά μπορεί να μην υποστηρίζουν εκείνους που αμφισβητούν την αλλαγή συμπεριφοράς.

Leave a Reply

Your email address will not be published. Required fields are marked *