AI-chattbotar är lovande men begränsade i att främja hälsosam beteendeförändring

På senare år har hälso- och sjukvårdsindustrin sett en betydande ökning av användningen av stora språkmodellbaserade chattbotar, eller generativa konversationsagenter. Dessa AI-drivna verktyg har använts för olika ändamål, inklusive patientutbildning, bedömning och hantering. Medan populariteten för dessa chattbotar växer, har forskare från University of Illinois Urbana-Champaigns ACTION Lab tagit en närmare titt på deras potential att främja hälsosam beteendeförändring.

Michelle Bak, en doktorand i informationsvetenskap, och professor Jessie Chin publicerade nyligen sina resultat i Journal of the American Medical Informatics Association. Deras studie syftade till att avgöra om stora språkmodeller kunde effektivt identifiera användarnas motivationsstater och tillhandahålla lämplig information för att stödja deras resa mot hälsosammare vanor.

Studiedesign

För att bedöma förmågan hos stora språkmodeller att främja beteendeförändring, utformade Bak och Chin en omfattande studie som involverade tre framstående chattbotmodeller: ChatGPT, Google Bard och Llama 2. Forskarna skapade en serie om 25 scenarier, var och en riktad mot specifika hälsobehov såsom låg fysisk aktivitet, kost- och näringsproblem, mental hälsoutmaningar, cancer screening och diagnos, sexuellt överförbara sjukdomar och beroende.

Scenarierna var noggrant utformade för att representera de fem distinkta motivationsstadierna för beteendeförändring:

1. Motstånd mot förändring och bristande medvetenhet om problemskapande beteende
2. Ökad medvetenhet om problemskapande beteende men tveksamhet om att göra förändringar
3. Avsikt att vidta åtgärder med små steg mot förändring
4. Initiering av beteendeförändring med ett åtagande att upprätthålla den
5. Lyckad upprätthållande av beteendeförändringen i sex månader med ett åtagande att upprätthålla den

Genom att utvärdera chattbotarnas svar på varje scenario över de olika motivationsstadierna, syftade forskarna till att avgöra styrkorna och svagheterna hos stora språkmodeller i att stödja användare under hela deras beteendeförändringsresa.

Vad visade studien?

Studien visade både lovande resultat och betydande begränsningar i förmågan hos stora språkmodeller att stödja beteendeförändring. Bak och Chin fann att chattbotar kan effektivt identifiera motivationsstater och tillhandahålla relevant information när användare har etablerade mål och ett starkt åtagande att vidta åtgärder. Detta tyder på att individer som redan är i de senare stadierna av beteendeförändring, såsom de som har initierat förändringar eller har varit framgångsrikt upprätthållit dem under en tid, kan dra nytta av den vägledning och stöd som tillhandahålls av dessa AI-drivna verktyg.

Däremot upptäckte forskarna också att stora språkmodeller kämpar för att känna igen de initiala stadierna av motivation, särskilt när användare är motståndiga mot förändring eller tveksamma om att göra ändringar i sitt beteende. I dessa fall misslyckades chattbotarna med att tillhandahålla tillräcklig information för att hjälpa användare att utvärdera sitt problemskapande beteende och dess konsekvenser, samt bedöma hur deras miljö påverkade deras handlingar. Till exempel, när de ställdes inför en användare som är motståndig mot att öka sin fysiska aktivitet, föll chattbotarna ofta tillbaka till att tillhandahålla information om att gå med i en gymklubb istället för att engagera användaren emotionellt genom att betona de negativa konsekvenserna av en stillasittande livsstil.

Dessutom visade studien att stora språkmodeller inte erbjöd tillräcklig vägledning om hur man använder belöningsystem för att upprätthålla motivation eller minska miljömässiga stimuli som kan öka risken för återfall, även för användare som redan hade tagit steg för att förändra sitt beteende. Bak noterade, “De stora språkmodellbaserade chattbotarna tillhandahåller resurser för att få extern hjälp, såsom socialt stöd. De saknar information om hur man kontrollerar miljön för att eliminera en stimulans som förstärker problemskapande beteende.”

Implikationer och framtida forskning

Studiens resultat understryker de nuvarande begränsningarna hos stora språkmodeller i att förstå motivationsstater från naturliga språksamtal. Chin förklarade att dessa modeller är utbildade för att representera relevansen av en användares språk, men kämpar för att skilja mellan en användare som överväger förändring men fortfarande är tveksam och en som har ett fast åtagande att vidta åtgärder. Dessutom gör den semantiska likheten i användarfrågor över olika motivationsstadier det svårt för modellerna att korrekt identifiera användarens beredskap för förändring baserat enbart på deras språk.

Trots dessa begränsningar tror forskarna att stora språkmodellchattbotar har potentialen att tillhandahålla värdefullt stöd när användare har starka motivationer och är redo att vidta åtgärder. För att fullt ut förverkliga denna potential kommer framtida studier att fokusera på att finjustera dessa modeller för att bättre förstå användarnas motivationsstater genom att utnyttja språkliga signaler, informations sökningsmönster och sociala bestämningsfaktorer för hälsa. Genom att utrusta modellerna med mer specifik kunskap och förbättra deras förmåga att känna igen och svara på olika stadier av motivation, hoppas forskare att förbättra effektiviteten hos dessa AI-drivna verktyg i att främja hälsosam beteendeförändring.

AI-chattbotar i beteendeförändring

Studien från University of Illinois Urbana-Champaigns ACTION Lab har kastat ljus över potentialen och begränsningarna hos stora språkmodellchattbotar i att främja hälsosam beteendeförändring. Medan dessa AI-drivna verktyg har visat löfte i att stödja användare som är engagerade i att göra positiva förändringar, kämpar de fortfarande för att effektivt känna igen och svara på de initiala stadierna av motivation, såsom motstånd och tveksamhet. Medan forskare fortsätter att förfinade och förbättra dessa modeller, hoppas man att de kommer att bli alltmer effektiva i att vägleda användare genom alla stadier av beteendeförändringsprocessen, vilket slutligen bidrar till bättre hälsoutfall för individer och samhällen.