AI-Chatbots zijn veelbelovend maar beperkt in het bevorderen van gezonde gedragsverandering

In recente jaren heeft de gezondheidszorg een significante toename gezien in het gebruik van grote taalmodel-gebaseerde chatbots, of generatieve conversatieagenten. Deze AI-gepowered tools zijn gebruikt voor verschillende doeleinden, waaronder patiënteneducatie, beoordeling en beheer. Naarmate de populariteit van deze chatbots groeit, hebben onderzoekers van de University of Illinois Urbana-Champaign’s ACTION Lab een nadere blik geworpen op hun potentieel om gezonde gedragsverandering te bevorderen.

Michelle Bak, een doctoraalstudent in informatiewetenschappen, en Professor Jessie Chin hebben onlangs hun bevindingen gepubliceerd in de Journal of the American Medical Informatics Association. Hun studie had als doel om te bepalen of grote taalmodellen effectief gebruikersmotivaties konden identificeren en relevante informatie konden bieden om hun reis naar gezondere gewoonten te ondersteunen.

Onderzoeksontwerp

Om de mogelijkheden van grote taalmodellen in het bevorderen van gedragsverandering te beoordelen, ontwierpen Bak en Chin een uitgebreide studie met drie prominente chatbotmodellen: ChatGPT, Google Bard en Llama 2. De onderzoekers creëerden een reeks van 25 scenario’s, elk gericht op specifieke gezondheidsbehoeften zoals lage fysieke activiteit, dieet- en voedingszorgen, mentale gezondheidsuitdagingen, kankeronderzoek en -diagnose, seksueel overdraagbare aandoeningen en verslaving.

De scenario’s waren zorgvuldig ontworpen om de vijf distincte motivatiefasen van gedragsverandering te vertegenwoordigen:

1. Weerstand tegen verandering en gebrek aan bewustzijn van probleemgedrag
2. Verhoogd bewustzijn van probleemgedrag, maar ambivalentie over het maken van veranderingen
3. Intentie om actie te ondernemen met kleine stappen naar verandering
4. Initiatie van gedragsverandering met een commitment om het te onderhouden
5. Succesvol onderhouden van de gedragsverandering voor zes maanden met een commitment om het te onderhouden

Door de reacties van de chatbots op elk scenario over de verschillende motivatiefasen te evalueren, wilden de onderzoekers de sterktes en zwaktes van grote taalmodellen bepalen in het ondersteunen van gebruikers gedurende hun gedragsverandering.

Wat vond de studie?

De studie onthulde zowel veelbelovende resultaten als significante beperkingen in de mogelijkheid van grote taalmodellen om gedragsverandering te ondersteunen. Bak en Chin vonden dat chatbots effectief motivatiefasen kunnen identificeren en relevante informatie kunnen bieden wanneer gebruikers vastgestelde doelen hebben en een sterke commitment om actie te ondernemen. Dit suggereert dat individuen die al in de latere fasen van gedragsverandering zitten, zoals diegenen die veranderingen hebben geïnitieerd of die al enige tijd succesvol hebben onderhouden, kunnen profiteren van de richtlijnen en ondersteuning die door deze AI-gepowered tools worden geboden.

Echter, de onderzoekers ontdekten ook dat grote taalmodellen worstelen om de initiële fasen van motivatie te herkennen, met name wanneer gebruikers weerstand bieden tegen verandering of ambivalent zijn over het maken van wijzigingen in hun gedrag. In deze gevallen faalden de chatbots om adequate informatie te bieden om gebruikers te helpen hun probleemgedrag en de gevolgen ervan te evalueren, evenals om te beoordelen hoe hun omgeving hun acties beïnvloedde. Bijvoorbeeld, wanneer ze geconfronteerd werden met een gebruiker die weerstand bood tegen het verhogen van hun fysieke activiteit, boden de chatbots vaak informatie over het lid worden van een sportschool in plaats van de gebruiker emotioneel te betrekken door de negatieve gevolgen van een zittend leven te benadrukken.

Bovendien onthulde de studie dat grote taalmodellen onvoldoende richtlijnen boden over het gebruik van beloningsystemen om motivatie te onderhouden of het reduceren van omgevingsstimuli die het risico van terugval konden verhogen, zelfs voor gebruikers die al stappen hadden genomen om hun gedrag te veranderen. Bak merkte op: “De grote taalmodel-gebaseerde chatbots bieden bronnen over het krijgen van externe hulp, zoals sociale ondersteuning. Ze missen informatie over hoe ze de omgeving kunnen controleren om een stimulus te elimineren die probleemgedrag versterkt.”

Implicaties en toekomstig onderzoek

De bevindingen van deze studie benadrukken de huidige beperkingen van grote taalmodellen in het begrijpen van motivatiefasen uit natuurlijke taalconversaties. Chin legde uit dat deze modellen zijn getraind om de relevantie van een gebruikers taal te vertegenwoordigen, maar worstelen om te differentiëren tussen een gebruiker die overweegt om te veranderen maar nog aarzelt en een gebruiker die een vast voornemen heeft om actie te ondernemen. Bovendien maakt de semantische gelijkenis in gebruikersvragen over verschillende motivatiefasen het moeilijk voor de modellen om de gebruikersbereidheid tot verandering nauwkeurig te identificeren op basis van hun taal alleen.

Ondanks deze beperkingen geloven de onderzoekers dat grote taalmodelchatbots waardevolle ondersteuning kunnen bieden wanneer gebruikers sterke motivaties hebben en klaar zijn om actie te ondernemen. Om dit potentieel volledig te realiseren, zullen toekomstige studies zich richten op het fijn afstemmen van deze modellen om beter gebruikersmotivatiefasen te begrijpen door taalkundige signalen, informatiezoekpatronen en sociale determinanten van gezondheid te benutten. Door de modellen te voorzien van meer specifieke kennis en hun vermogen te verbeteren om te herkennen en te reageren op verschillende fasen van motivatie, hopen onderzoekers de effectiviteit van deze AI-gepowered tools te verhogen in het bevorderen van gezonde gedragsverandering.

AI-Chatbots in gedragsverandering

De studie van de University of Illinois Urbana-Champaign’s ACTION Lab heeft licht geworpen op het potentieel en de beperkingen van grote taalmodelchatbots in het bevorderen van gezonde gedragsverandering. Terwijl deze AI-gepowered tools hebben laten zien dat ze gebruikers kunnen ondersteunen die zijn geëngageerd om positieve veranderingen aan te brengen, worstelen ze nog steeds om effectief te herkennen en te reageren op de initiële fasen van motivatie, zoals weerstand en ambivalentie. Naarmate onderzoekers deze modellen verfijnen en verbeteren, wordt gehoopt dat ze steeds effectiever zullen worden in het begeleiden van gebruikers door alle fasen van het gedragsveranderingsproces, wat uiteindelijk zal bijdragen aan betere gezondheidsresultaten voor individuen en gemeenschappen.