AI-Chatboter er løftende, men begrensede i å fremme sunn atferdsendring

I de senere år har helseindustrien vært vitne til en betydelig økning i bruken av store språkmodell-baserte chatboter, eller generative samtaleagenter. Disse AI-drevne verktøyene har blitt brukt til ulike formål, inkludert pasientutdanning, vurdering og håndtering. Ettersom populariteten til disse chatbotene vokser, har forskere fra University of Illinois Urbana-Champaigns ACTION Lab tatt en nærmere titt på deres potensiale til å fremme sunn atferdsendring.

Michelle Bak, en doktorgradsstudent i informasjonsvitenskap, og professor Jessie Chin har nylig publisert sine funn i Journal of the American Medical Informatics Association. Deres studie hadde som mål å bestemme om store språkmodeller kunne effektivt identifisere brukernes motivasjonstilstander og gi relevant informasjon for å støtte deres reise mot sunnere vaner.

Studiedesign

For å vurdere evnene til store språkmodeller i å fremme atferdsendring, designet Bak og Chin en omfattende studie som involverte tre fremtredende chatbot-modeller: ChatGPT, Google Bard og Llama 2. Forskerne skapte en rekke på 25 scenarier, hver rettet mot bestemte helsebehov som lav fysisk aktivitet, kosthold og ernæringsproblemer, mentale helseutfordringer, kreftskriving og diagnose, kjønnssykdommer og stoffavhengighet.

Scenariene ble nøye utformet for å representere de fem distinkte motivasjonstilstandene for atferdsendring:

1. Motstand mot endring og manglende bevissthet om problematferd
2. Økt bevissthet om problematferd, men tvil om å gjøre endringer
3. Hensikt til å iverksette handling med små skritt mot endring
4. Initiering av atferdsendring med et løfte om å vedlikeholde den
5. Suksessfullt vedlikehold av atferdsendringen i seks måneder med et løfte om å vedlikeholde den

Ved å evaluere chatbotenes svar på hvert scenario over de ulike motivasjonstilstandene, hadde forskerne som mål å bestemme styrkene og svakhetene til store språkmodeller i å støtte brukerne gjennom hele atferdsendringsprosessen.

Hva fant studien?

Studien avdekket både løftende resultater og betydelige begrensninger i evnen til store språkmodeller til å støtte atferdsendring. Bak og Chin fant at chatboter kan effektivt identifisere motivasjonstilstander og gi relevant informasjon når brukerne har etablert mål og en sterk forpliktelse til å iverksette handling. Dette tyder på at personer som allerede er i de senere stadiene av atferdsendring, som de som har initiert endringer eller har vært suksessfulle i å vedlikeholde dem i en stund, kan dra nytte av veiledningen og støtten som disse AI-drevne verktøyene tilbyr.

Imidlertid oppdaget forskerne også at store språkmodeller sliter med å gjenkjenne de tidlige stadiene av motivasjon, spesielt når brukerne er motstandere av endring eller tvil om å gjøre endringer i deres atferd. I disse tilfellerne sviktet chatbotene i å gi tilstrekkelig informasjon for å hjelpe brukerne med å evaluere deres problematferd og konsekvensene av denne, samt å vurdere hvordan deres omgivelse påvirkte deres handlinger. For eksempel, når de ble konfrontert med en bruker som er motstander av å øke sin fysisk aktivitet, gikk chatbotene ofte tilbake til å gi informasjon om å melde seg inn i et treningsstudio i stedet for å engasjere brukeren emocionelt ved å høyde konsekvensene av en sittende livsstil.

Videre avdekket studien at store språkmodeller ikke tilbød tilstrekkelig veiledning om å bruke belønningssystemer for å vedlikeholde motivasjon eller redusere miljømessige stimuli som kunne øke risikoen for tilbakefall, selv for brukere som allerede hadde tatt skritt for å endre sin atferd. Bak noterte, “De store språkmodell-baserte chatbotene tilbyr ressurser på å få ekstern hjelp, som sosial støtte. De mangler informasjon om hvordan å kontrollere omgivelsen for å eliminere en stimulus som forsterker problematferd.”

Konsekvenser og fremtidig forskning

Funnskapene i denne studien understreker de nåværende begrensningene til store språkmodeller i å forstå motivasjonstilstander fra naturlige språksamtaler. Chin forklarte at disse modellene er trent for å representere relevansen av en brukers språk, men sliter med å differensiere mellom en bruker som vurdere endring, men fortsatt er tvil, og en som har en fast hensikt til å iverksette handling. I tillegg gjør den semantiske likheten i brukerforespørsler over ulike motivasjonstilstander det vanskelig for modellene å nøyaktig identifisere brukerens beredskap for endring basert bare på deres språk.

Til tross for disse begrensningene, mener forskerne at store språkmodell-chatboter har potensialet til å gi verdifull støtte når brukerne har sterke motivasjoner og er klare til å iverksette handling. For å fullt ut realisere dette potensialet, vil fremtidige studier fokusere på å finjustere disse modellene for bedre å forstå brukernes motivasjonstilstander ved å utnytte språklige signaler, informasjonssøkmønster og sosiale bestemmelsesfaktorer for helse. Ved å utstyre modellene med mer spesifikk kunnskap og forbedre deres evne til å gjenkjenne og svare på ulike stadia av motivasjon, håper forskerne å forbedre effektiviteten til disse AI-drevne verktøyene i å fremme sunn atferdsendring.

AI-Chatboter i atferdsendring

Studien fra University of Illinois Urbana-Champaigns ACTION Lab har kastet lys over potensialet og begrensningene til store språkmodell-chatboter i å fremme sunn atferdsendring. Mens disse AI-drevne verktøyene har vist løftende resultater i å støtte brukere som er forpliktet til å gjøre positive endringer, sliter de fortsatt med å effektivt gjenkjenne og svare på de tidlige stadiene av motivasjon, som motstand og tvil. Ettersom forskerne fortsetter å finjustere og forbedre disse modellene, håper de at de vil bli stadig mer effektive i å guide brukerne gjennom alle stadia av atferdsendringsprosessen, og til slutt bidra til bedre helseresultater for enkeltpersoner og samfunn.