思维转变：利用大型语言模型进行基于心理状态的问题性智能手机使用干预

文献标题

MindShif: Leveraging Large Language Models for Mental-States-Based Problematic Smartphone Use Intervention

文献信息

• 主题领域: 人机交互与行为改变技术
• 关键词: 问题性智能手机使用、说服策略、大语言模型、心理模型、行为干预

研究背景与问题

• 发现的问题或挑战:

  • 智能手机的过度使用对身体和心理健康有负面影响，包括效率降低、睡眠减少、心理健康问题等。
  • 当前的干预技术（如自我监测、提醒、交互阻碍和锁定）存在以下不足：
    • 缺乏动态性，无法根据用户的实时情境和心理状态调整内容。
    • 过于模板化的提醒内容降低了用户接受程度。
    • 缺乏对用户内在心理状态（如压力、无聊、惯性）的关注。

• 研究动机:

  • 当前的智能手机使用干预方法主要关注外部物理情境，而忽略了用户的瞬时心理状态。
  • 基于心理状态的行为干预可能更有效，更需要通过动态调整干预内容来实现。

• 相关工作:

  • 基于既有干预方法的回顾，包括外部干预（提醒、交互阻碍）和内部设计干预（修订界面设计）。
  • 关于心理状态（压力、无聊）与用户使用行为之间关系的研究。

解决方案

• 提出的方法或解决方案:

  • MindShift系统: 利用用大语言模型（LLMs）生成动态、个性化的说服性内容，结合用户的实时使用数据、物理情境、心理状态、目标和习惯来实现。
  • 心理状态驱动的说服策略: 基于双系统理论和成长需求理论，总结出四种说服策略：
    1. 理解（Understanding）：表达对用户情感的共鸣。
    2. 安慰（Comforting）：安抚用户的情绪波动。
    3. 唤起（Evoking）：提醒用户个人目标。
    4. 行为培养（Scaffolding Habits）：帮助用户用积极的习惯替代惯性行为。

• 创新点:

  • 考虑用户实时心理状态（无聊、压力、惯性）与活动参与度（是否从事任务）。
  • 使用LLMs生成动态、情境化的说服内容。
  • 开发了完整的用户交互流程：初始化设置自定义目标与习惯、实时报告用户意图与心理状态，并展示个性化内容。

• 实施步骤与关键技术:

  1. 设计向LLM传递的详细提示（prompt），提供用户的上下文和策略描述。
  2. 研发自动化与用户自报告结合的心理状态收集机制。
  3. 对接LLM实时生成干预消息并动态展示。
  4. 通过实验评估系统的使用效果。

研究成果

• 具体成果:

  • 在基于五周的实地实验中，MindShift显著提高了用户对干预内容的接受率（提高了4.7%-22.5%）并减少了智能手机使用时长（减少了7.4%-9.8%）。
  • 用户使用MindShift后，智能手机成瘾评分降低了34.7%，自我效能评分提高了10.7%。

• 与现有解决方案相比的优势:

  • MindShift结合了用户的心理状态和目标，提升了干预效果的动态性和个性化。
  • 使用说服策略和LLM生成的内容使干预更具吸引力。

• 实验或评估结果:

  • 在三种方法（MindShift，MindShift-Simple和Baseline）中，MindShift在接受率（35.2%）和用户满意度（6.8%的点赞比率）上表现最好。
  • 针对用户的心理状态（如无聊）和活动参与程度，MindShift能够显著减少惯性智能手机使用行为。

• 局限性与未来方向:

  • 局限性：
    • 参与者主要为年轻人，样本多样性有限。
    • 实验周期较短（五周），未能探讨干预技术的长期效果。
    • 大语言模型生成内容的稳定性及隐私安全问题仍需进一步优化。
  • 未来方向：
    • 提高干预内容的多样性和个性化，结合用户反馈研发自适应干预系统。
    • 在不同行为改变领域（如戒烟、饮食习惯培养）中探索LLM驱动的动态干预技术。
    • 研究用户自报告的心理状态数据自动化替代，减轻用户负担，同时保障干预的个性化与动态性。