AI-Chatbots er lovende, men begrænsede i fremme af sund adfærdændring

I de seneste år har sundhedssektoren oplevet en betydelig stigning i brugen af store sprogmodeller-baserede chatbots, eller generative konversationsagenter. Disse AI-drevne værktøjer er blevet anvendt til forskellige formål, herunder patientuddannelse, vurdering og ledelse. Da populariteten af disse chatbots vokser, har forskere fra University of Illinois Urbana-Champaigns ACTION Lab taget en nærmere kig på deres potentiale til at fremme sund adfærdændring.

Michelle Bak, en ph.d.-studerende i informationsvidenskab, og professor Jessie Chin har nylig offentliggjort deres resultater i Journal of the American Medical Informatics Association. Deres studie havde til formål at afgøre, om store sprogmodeller kunne effektivt identificere brugernes motivationsstater og give relevant information til at støtte deres rejse mod sundere vaner.

Studiedesign

For at vurdere evnerne hos store sprogmodeller i at fremme adfærdændring, designede Bak og Chin en omfattende studie, der involverede tre fremtrædende chatbot-modeller: ChatGPT, Google Bard og Llama 2. Forskerne oprettede en række af 25 scenarier, hver rettet mod bestemte sundhedsbehov såsom lav fysisk aktivitet, kost- og ernæringsproblemer, mentale sundhedsudfordringer, kræftscreening og -diagnose, kønssygdomme og stofafhængighed.

Scenarierne var omhyggeligt udformet til at repræsentere de fem forskellige motivationsstader for adfærdændring:

1. Modstand mod ændring og manglende bevidsthed om problembetonet adfærd
2. Øget bevidsthed om problembetonet adfærd, men tvivl om at foretage ændringer
3. Hensigt om at foretage handling med små skridt mod ændring
4. Initiering af adfærdændring med en forpligtelse til at opretholde den
5. Vellykket opretholdelse af adfærdændring i seks måneder med en forpligtelse til at opretholde den

Ved at evaluere chatbotternes svar på hvert scenarie på tværs af de forskellige motivationsstader, havde forskerne til formål at afgøre styrkerne og svaghederne hos store sprogmodeller i at støtte brugere under deres adfærdændringsrejse.

Hvad fandt studiet?

Studiet afslørede både lovende resultater og betydelige begrænsninger i evnen hos store sprogmodeller til at støtte adfærdændring. Bak og Chin fandt, at chatbots kan effektivt identificere motivationsstater og give relevant information, når brugere har etableret mål og en stærk forpligtelse til at foretage handling. Dette tyder på, at personer, der allerede er i de senere stadier af adfærdændring, såsom de, der har initieret ændringer eller har opretholdt dem i nogen tid, kan drage fordel af vejledning og støtte fra disse AI-drevne værktøjer.

Dog opdagede forskerne også, at store sprogmodeller kæmper med at genkende de første stadier af motivation, især når brugere er modstandere af ændring eller tvivl om at foretage ændringer i deres adfærd. I disse tilfælde svigtede chatbotterne med at give tilstrækkelig information til at hjælpe brugere med at evaluere deres problembetonede adfærd og dens konsekvenser, samt hvordan deres omgivelser påvirkede deres handlinger. For eksempel, når de stod over for en bruger, der var modstander af at øge deres fysiske aktivitet, svigtede chatbotterne ofte med at give information om at melde sig til et fitnesscenter i stedet for at engagere brugeren emotionelt ved at fremhæve de negative konsekvenser af en inaktiv livsstil.

Desuden afslørede studiet, at store sprogmodeller ikke tilbød tilstrækkelig vejledning om, hvordan man anvender belønningsystemer til at opretholde motivation eller reducere miljømæssige stimuli, der kunne øge risikoen for tilbagefald, selv for brugere, der allerede havde taget skridt til at ændre deres adfærd. Bak bemærkede, “De store sprogmodeller-baserede chatbots giver ressourcer til at få ekstern hjælp, såsom social støtte. De mangler information om, hvordan man kontrollerer omgivelserne for at eliminere en stimulus, der forstærker problembetonet adfærd.”

Konsekvenser og fremtidig forskning

Studiets resultater understreger de nuværende begrænsninger hos store sprogmodeller i at forstå motivationsstater fra naturlige sprogkonversationer. Chin forklarede, at disse modeller er trænet til at repræsentere relevansen af en brugers sprog, men kæmper med at differentiere mellem en bruger, der overvejer ændring, men stadig er tøvende, og en, der har en fast intention om at foretage handling. Desuden gør den semantiske lighed i brugernes forespørgsler på tværs af forskellige motivationsstader, at det er udfordrende for modellerne at nøjagtigt identificere brugernes parathed til ændring udelukkende baseret på deres sprog.

Trods disse begrænsninger mener forskerne, at store sprogmodeller-baserede chatbots har potentialet til at give værdifuld støtte, når brugere har stærke motiver og er parate til at foretage handling. For at fuldt ud realisere dette potentiale vil fremtidige studier fokusere på at finjustere disse modeller til bedre at forstå brugernes motivationsstater ved at udnytte sproglige hints, informationsøgningsmønstre og sociale bestemmelsesfaktorer for sundhed. Ved at udstyre modellerne med mere specifik viden og forbedre deres evne til at genkende og reagere på forskellige stadier af motivation, håber forskerne at forbedre effektiviteten af disse AI-drevne værktøjer i at fremme sund adfærdændring.

AI-Chatbots i adfærdændring

Studiet fra University of Illinois Urbana-Champaigns ACTION Lab har kastet lys over potentialet og begrænsningerne hos store sprogmodeller-baserede chatbots i at fremme sund adfærdændring. Mens disse AI-drevne værktøjer har vist lovende resultater i at støtte brugere, der er fast besluttede på at foretage positive ændringer, kæmper de stadig med at effektivt genkende og reagere på de første stadier af motivation, såsom modstand og tvivl. Da forskere fortsætter med at forbedre og forfine disse modeller, håbes det, at de vil blive mere og mere effektive i at vejlede brugere gennem alle stadier af adfærdændringsprocessen, hvilket ultimativt bidrager til bedre sundhedsresultater for både enkeltindivider og samfund.