叙述健康适应性：利用大型语言模型解释反思性健身追踪器数据

文献标题

Narrating Fitness: Leveraging Large Language Models for Reflective Fitness Tracker Data Interpretation

文献信息

• 主题领域: 人机交互（HCI）、个人信息学（Personal Informatics）、生成式人工智能
• 关键词: 个人信息学, 生成式 AI, 健身追踪器, 反思, 用户体验, 数据可视化, 故事叙述

研究背景与问题

• 发现的问题: 健身追踪器主要生成和显示定量数据，而用户往往更倾向于用定性术语来理解其健康状况。然而，这种“数据-感知”之间的脱节可能限制用户有效反思自身健康，阻碍个人信息学工具的作用发挥。此外，目前的工具大多倾向于目标导向，并缺乏对用户整体幸福感的真正关注。
• 重要性: 吸引用户参与并通过数据反映更好地理解健康信息可以推动更有意义的健康行为改变。同时，生成式人工智能（如大语言模型，LLM）提供了新的可能性，通过文本反馈增强用户反思，但这一方向尚未有足够实证研究探索。
• 研究动机: 深入探讨如何通过 LLM 生成的叙述增强用户对个人健身数据的关注和反思，以发现改进个人信息学系统设计的新方法。

解决方案

• 提出的方法或解决方案:

  • 本文利用 LLM（如 GPT-4）生成的定性健康叙述，与常规图表数据表示进行对比。
  • 研究了“文本表示”、“图表表示”及“文本+图表组合表示”三种条件对用户反思与参与度的影响。
  • 设计研究平台，用户可以上传健身步数数据，通过 LLM 生成叙事性反馈。

• 创新之处:

  1. 提出利用生成式 AI 为个人健身数据生成动态文本反馈，从而弥合量化数据与用户定性感知之间的差距。
  2. 强调非目标导向叙述设计，减少负面反馈影响，同时提高用户对健康数据的洞察力。
  3. 定量和定性结合，首次实证分析 AI 生成文本在个人信息学中的适用性。

• 实施步骤与使用技术:

  1. 预试研究: 通过与 10 名参与者的访谈，了解用户对 AI 生成健身叙述的接受度，并提炼叙述生成的设计准则。
  2. 实验平台: 基于 Terra API 创建在线平台，支持参与者上传 7 天的步数数据并生成不同条件下数据表示。
  3. 在线实验:
     • 招募 273 名用户，在三种条件下呈现其步数数据。
     • 收集用户对数据表示的反思和用户体验意见。
     • 通过问卷量化研究指标：反思支持（TSRI）、用户参与度（UES-SF）等。

研究成果

• 取得的具体成果:

  • 数据反思（TSRI 量表）:
    • 文本表示增强了用户在比较维度（Comparison）上的反思能力。
    • 文本+图表的混合模式没有比单独文本更显著提高反思。
  • 用户体验（UES-SF 量表）:
    • 与单纯图表相比，文本表示在吸引用户注意力（Focused Attention）和互动奖励感（Reward）方面表现更佳。
    • 用户更倾向于认为带有文本说明的界面对其更有价值。
  • 用户反馈:
    • 文本叙述帮助用户识别步数模式并激励目标反思。
    • 多数用户更喜欢结合图表的方案，但对文字的要求包括个性化和更贴近背景信息。
    • 少数用户质疑文本生成的准确性和可信度，强调透明性需求。

• 与现有解决方案的比较优势:

  • LLM 动态生成的文本相比传统预先编写的脚本文字更灵活，可更好地适应不同用户的数据及背景。
  • 对用户注意力和参与体验的正面影响在现有量化类 PI 系统中难以实现。

• 局限性与未来方向:

  • 局限性:
    1. 数据生成的上下文信息有限，当前健身追踪器的能力不足以提供高细节的背景分析。
    2. 未能完全控制生成式 AI 叙述的偏差，存在一些抽象化和一致性挑战。
    3. 实验用设备类型（例如部分追踪器品牌）和文化背景具有局限性，对全球用户的适用性需要更广泛验证。
  • 未来方向:
    1. 探索更复杂的多数据源叙述生成（例如结合心率、卡路里消耗等）。
    2. 研究如何在用户长时间使用中保持文本内容的新颖性和个性化。
    3. 设计交互问答等方式，让用户能与生成文本互动以增强系统实用性和可信度。