Чатботи штучного інтелекту обіцяють, але обмежені у сприянні здоровим змінам поведінки

За останні роки галузь охорони здоров’я стала свідком значного зростання використання чатботів, заснованих на великих моделях мови, або генеративних розмовних агентів. Ці інструменти, підтримувані штучним інтелектом, застосовувалися для різних цілей, включаючи освіту пацієнтів, оцінку та управління. По мірі зростання популярності цих чатботів дослідники з лабораторії ACTION Університету Іллінойсу в Урбана-Шампейні зробили крок ближче, щоб вивчити їхній потенціал у сприянні здоровим змінам поведінки.

Мішель Бак, аспірантка інформаційних наук, та професор Джессі Чін недавно опублікували свої висновки в Журналі американської асоціації медичної інформатики. Їхнє дослідження мало на меті з’ясувати, чи можуть великі моделі мови ефективно визначати мотиваційні стани користувачів та надавати відповідну інформацію для підтримки їхнього руху до здорових звичок.

Дизайн дослідження

Щоб оцінити можливості великих моделей мови у сприянні поведінчим змінам, Бак і Чін розробили комплексне дослідження, яке включало три відомі моделі чатботів: ChatGPT, Google Bard та Llama 2. Дослідники створили серію з 25 сценаріїв, кожний з яких був орієнтований на конкретні потреби здоров’я, такі як низька фізична активність, проблеми з дієтою та харчуванням, психічні здоров’я, скринінг та діагностика раку, захворювання, що передаються статевим шляхом, та залежність від речовин.

Сценарії були ретельно розроблені для представлення п’яти різних мотиваційних стадій зміни поведінки:

1. Опір змінам та відсутність усвідомлення проблемної поведінки
2. Збільшення усвідомлення проблемної поведінки, але амбівалентність щодо внесення змін
3. Намір вжити дії з малими кроками до зміни
4. Початок зміни поведінки з зобов’язанням її підтримувати
5. Успішне підтримання зміни поведінки протягом шести місяців з зобов’язанням її підтримувати

Оцінюючи відповіді чатботів на кожен сценарій через різні мотиваційні стадії, дослідники мали на меті з’ясувати сильні та слабкі сторони великих моделей мови у підтримці користувачів протягом їхнього шляху зміни поведінки.

Що виявило дослідження?

Дослідження показало як обіцяючі результати, так і суттєві обмеження у здатності великих моделей мови підтримувати зміну поведінки. Бак і Чін виявили, що чатботи можуть ефективно визначати мотиваційні стани та надавати відповідну інформацію, коли користувачі мають встановлені цілі та сильне зобов’язання діяти. Це свідчить про те, що особи, які вже знаходяться на пізніх стадіях зміни поведінки, таких як ті, хто розпочав зміни або успішно підтримує їх протягом певного часу, можуть отримати користь від підтримки та керівництва, наданих цими інструментами, підтримуваними штучним інтелектом.

Однак дослідники також виявили, що великі моделі мови мають труднощі з визначенням початкових стадій мотивації, особливо коли користувачі опираються змінам або амбівалентні щодо внесення змін до своєї поведінки. У цих випадках чатботи не надавали достатньої інформації, щоб допомогти користувачам оцінити свою проблемну поведінку та її наслідки, а також оцінити, яким чином їхнє оточення впливає на їхні дії. Наприклад, коли користувач опирається збільшенню фізичної активності, чатботи часто зверталися до надання інформації про вступ до спортзалу, а не до емоційного залучення користувача, підкреслюючи негативні наслідки сидячого способу життя.

Крім того, дослідження показало, що великі моделі мови не пропонують достатнього керівництва щодо використання систем винагород для підтримання мотивації або зменшення зовнішніх стимулів, які можуть збільшити ризик рецидиву, навіть для користувачів, які вже вжили кроки до зміни своєї поведінки. Бак зазначила: “Чатботи, засновані на великих моделях мови, пропонують ресурси щодо отримання зовнішньої підтримки, такої як соціальна підтримка. їм бракує інформації про те, як контролювати середовище, щоб усунути стимули, які посилюють проблемну поведінку”.

Наслідки та майбутні дослідження

Висновки цього дослідження підкреслюють поточні обмеження великих моделей мови у розумінні мотиваційних станів з природніх мовних розмов. Чін пояснила, що ці моделі тренуються для представлення актуальності мови користувача, але мають труднощі з розрізненням між користувачем, який розглядає зміну, але ще вагається, і тим, хто має тверде намір діяти. Крім того, семантична подібність запитів користувачів на різних мотиваційних стадіях робить складним для моделей точно визначити готовність користувача до зміни лише на основі їхньої мови.

Незважаючи на ці обмеження, дослідники вважають, що чатботи, засновані на великих моделях мови, мають потенціал надавати цінну підтримку, коли користувачі мають сильну мотивацію та готові діяти. Щоб повністю реалізувати цей потенціал, майбутні дослідження будуть зосереджені на доопрацюванні цих моделей для кращого розуміння мотиваційних станів користувачів шляхом використання мовних сигналів, шаблонів пошуку інформації та соціальних детермінант здоров’я. Наділивши моделі більш конкретними знаннями та покращивши їхню здатність розпізнавати та реагувати на різні стадії мотивації, дослідники сподіваються підвищити ефективність цих інструментів, підтримуваних штучним інтелектом, у сприянні здоровим змінам поведінки.

Чатботи штучного інтелекту у зміні поведінки

Дослідження лабораторії ACTION Університету Іллінойсу в Урбана-Шампейні пролили світло на потенціал та обмеження чатботів, заснованих на великих моделях мови, у сприянні здоровим змінам поведінки. Хоча ці інструменти, підтримувані штучним інтелектом, показали обіцяючі результати у підтримці користувачів, які вже вжили кроки до позитивних змін, вони все ще мають труднощі з ефективним визначенням та реагуванням на початкові стадії мотивації, такі як опір та амбівалентність. По мірі того, як дослідники продовжують удосконалювати та покращувати ці моделі, сподівається, що вони стануть дедалі більш ефективними у керівництві користувачами через усі стадії процесу зміни поведінки, що в кінцевому підсумку призведе до кращих результатів у сфері здоров’я для окремих осіб та спільнот.