Искусственные интеллектуальные чат-боты перспективны, но ограничены в продвижении здорового изменения поведения

В последние годы в сфере здравоохранения наблюдается значительный рост использования чат-ботов, основанных на больших языковых моделях, или генеративных разговорных агентов. Эти инструменты, работающие на основе искусственного интеллекта, используются для различных целей, включая образование пациентов, оценку и управление. По мере роста популярности этих чат-ботов исследователи из лаборатории ACTION Университета Иллинойса в Урбане-Шампейне более внимательно изучили их потенциал для продвижения здорового изменения поведения.

Мишель Бак, аспирантка по информационным наукам, и профессор Джесси Чин недавно опубликовали свои результаты в Журнале американской медицинской информатики. Их исследование было направлено на определение того, могут ли большие языковые модели эффективно выявлять мотивационные состояния пользователей и предоставлять соответствующую информацию для поддержки их пути к более здоровым привычкам.

Дизайн исследования

Чтобы оценить возможности больших языковых моделей в продвижении изменения поведения, Бак и Чин разработали комплексное исследование, включающее три известные модели чат-ботов: ChatGPT, Google Bard и Llama 2. Исследователи создали серию из 25 сценариев, каждый из которых был направлен на решение конкретных проблем со здоровьем, таких как низкая физическая активность, проблемы с питанием и диетой, проблемы с психическим здоровьем, скрининг и диагностика рака, заболевания, передающиеся половым путем, и зависимость от веществ.

Сценарии были тщательно разработаны для представления пяти различных мотивационных стадий изменения поведения:

1. Сопротивление изменениям и отсутствие осведомленности о проблемном поведении
2. Повышение осведомленности о проблемном поведении, но неуверенность в изменениях
3. Намерение принять меры с небольшим шагом к изменению
4. Начало изменения поведения с обязательством поддерживать его
5. Успешное поддержание изменения поведения в течение шести месяцев с обязательством поддерживать его

Оценивая ответы чат-ботов на каждый сценарий на разных мотивационных стадиях, исследователи стремились определить сильные и слабые стороны больших языковых моделей в поддержке пользователей на протяжении всего их пути изменения поведения.

Что показало исследование?

Исследование показало как обнадеживающие результаты, так и значительные ограничения в способности больших языковых моделей поддерживать изменение поведения. Бак и Чин обнаружили, что чат-боты могут эффективно выявлять мотивационные состояния и предоставлять соответствующую информацию, когда у пользователей есть установленные цели и сильная приверженность действию. Это говорит о том, что люди, которые уже находятся на более поздних стадиях изменения поведения, такие как те, кто начал изменения или успешно поддерживает их в течение некоторого времени, могут извлечь пользу из руководства и поддержки, предоставляемых этими инструментами, работающими на основе искусственного интеллекта.

Однако исследователи также обнаружили, что большие языковые модели испытывают трудности в распознавании начальных стадий мотивации, особенно когда пользователи сопротивляются изменениям или неуверенны в изменении своего поведения. В этих случаях чат-боты не смогли предоставить достаточную информацию, чтобы помочь пользователям оценить свое проблемное поведение и его последствия, а также оценить, как их окружение влияет на их действия. Например, когда перед пользователем стоит задача увеличить физическую активность, чат-боты часто переходят к предоставлению информации о присоединении к спортзалу, вместо того, чтобы эмоционально вовлечь пользователя, подчеркивая негативные последствия сидячего образа жизни.

Более того, исследование показало, что большие языковые модели не предлагают достаточного руководства по использованию систем вознаграждения для поддержания мотивации или снижения внешних стимулов, которые могут увеличить риск рецидива, даже для пользователей, которые уже предприняли шаги к изменению своего поведения. Бак отметила: “Чат-боты на основе больших языковых моделей предоставляют ресурсы для получения внешней помощи, такой как социальная поддержка. Однако они не предоставляют информации о том, как контролировать окружение, чтобы исключить стимул, который укрепляет проблемное поведение”.

Последствия и будущие исследования

Результаты этого исследования подчеркивают текущие ограничения больших языковых моделей в понимании мотивационных состояний из естественных языковых разговоров. Чин объяснила, что эти модели обучены представлять актуальность языка пользователя, но испытывают трудности в различении между пользователем, который рассматривает изменение, но все еще неуверен, и тем, кто имеет твердое намерение действовать. Кроме того, семантическое сходство в запросах пользователей на разных мотивационных стадиях делает сложным для моделей точно определить готовность пользователя к изменению, основываясь исключительно на его языке.

Несмотря на эти ограничения, исследователи считают, что чат-боты на основе больших языковых моделей имеют потенциал для предоставления ценной поддержки, когда у пользователей есть сильные мотивации и они готовы действовать. Чтобы полностью реализовать этот потенциал, будущие исследования будут сосредоточены на доработке этих моделей для лучшего понимания мотивационных состояний пользователей, используя лингвистические подсказки, закономерности поиска информации и социальные определители здоровья. Обеспечивая модели более конкретными знаниями и улучшая их способность распознавать и реагировать на разные стадии мотивации, исследователи надеются повысить эффективность этих инструментов, работающих на основе искусственного интеллекта, в продвижении здорового изменения поведения.

Искусственные интеллектуальные чат-боты в изменении поведения

Исследование из лаборатории ACTION Университета Иллинойса в Урбане-Шампейне проливает свет на потенциал и ограничения чат-ботов на основе больших языковых моделей в продвижении здорового изменения поведения. Хотя эти инструменты, работающие на основе искусственного интеллекта, показали перспективы в поддержке пользователей, которые привержены положительным изменениям, они все еще испытывают трудности в эффективном распознавании и реагировании на начальные стадии мотивации, такие как сопротивление и неуверенность. По мере того, как исследователи продолжают совершенствовать и улучшать эти модели, надеются, что они станут все более эффективными в руководстве пользователями через все стадии процесса изменения поведения, в конечном итоге способствуя лучшим результатам в области здоровья для отдельных лиц и сообществ.