利用大型语言模型驱动的社会辅助机器人促进老年护理中的认知健康

研究背景与问题

• 发现的问题或挑战: 随着全球人口老龄化，对支持认知健康并能及早检测认知衰退的技术需求不断增加。在老年护理中，传统的认知评估工具（如笔记式神经心理学测试）耗费人力、容易出错，并且在参与度方面存在问题。此外，老年人因对技术隐私以及认知障碍的担忧，对大规模实时部署的社会辅助机器人（SAR）尚停留在研究阶段。
• 重要性: 随着患有认知障碍的人口增加和护理人员短缺，开发能支持认知健康并减轻护理人员压力的家居技术迫在眉睫。这不仅能提高老年人独立生活的能力，也能为医疗专业人员提供更实时的认知评估数据。
• 研究动机与相关工作: 之前的研究已经表明，社会辅助机器人在老年护理、心理健康支持、认知训练和伴侣角色中表现出潜力。然而，尚缺乏对这类机器人在居家环境中如何有效支持认知健康的长期调查；特别是缺乏基于语言交互技术、能适应场景的学习能力的机器人研究。

解决方案

• 提出的解决方案:

  • 开发一种由大型语言模型（LLM）驱动的社会辅助机器人，用于老年人居住环境中的认知健康促进和评估。
  • 设计基于经过临床验证工具的任务，包括图片描述任务和语义流利度任务，结合机器人与用户的自然语言交互。
  • 进行为期五周的研究，检测能否通过机器人实现对认知健康的有效提升，同时降低其对人类管理者的依赖。

• 创新之处:

  • 技术层面: 将大型语言模型（如GPT-4）与社会辅助机器人结合，提升互动对话的自然性和灵活性。
  • 应用方面: 首次评估机器人取代人类在认知健康任务中管理员角色的可能性，以及其与用户的长期交互行为。
  • 设计与隐私保护: 采用AI驱动的实时监督机制，确保LLM生成语言的安全性和适宜性，同时强调用户隐私保护。

• 实施步骤与关键技术:

  1. 构建一种名为 Blossom 的机器人平台，其结构简单可负担，并可通过3D打印规模化生产。
  2. 结合云端语音识别和LLM响应生成系统对话模型，优化语音互动功能。
  3. 为两个任务设计适应性互动（如为语义任务提供提示），并动态调整机器人行为以提高参与感。
  4. 实施五周内的多轮实验，包括三个由机器人管理的任务周，以及首次和最后由人类管理员进行的对比测试。

研究成果

• 具体成果:

  1. 任务表现改进: 在三次机器人管理的会话后，参与者的描述任务表现显著提升，包括更多细节、更少重复的词汇和减少需要提示的次数。在语义任务中，参与者完成任务时重复词的使用减少且提示依赖降低。
  2. 社会参与度提高: 与机器人交互期间，参与者的社会评论次数比人类管理员更多，表明机器人能够激发更强的社交参与感。
  3. 用户接受度: 随着多次互动，参与者对机器人使用的接受度和信任感显著增加，其系统可用性评分（SUS）从80.7提升到85.6，达到了“优秀”的水平。

• 与现有解决方案相比的优势:

  • 机器人能够更持续地进行任务管理，同时长期交互更易被用户接受，且降低了对人类管理员的依赖。
  • LLM技术有效提升语言交互的灵活性，使得任务提示和语句生成更加自然，适应多语言场景。

• 实验或评估结果:

  • 研究显示，LLM驱动的SAR能够提升参与者认知任务完成质量，表现出维持用户认知参与和持久使用的潜力。
  • 自主性机器人相比人类管理员，增强了任务中的社会交互表现并创造了更良好的使用体验。

• 局限性与未来方向:

  1. 样本量较小：研究仅包含22位参与者，未来需扩展到更多样化的地区和文化背景中的群体。
  2. 长期部署：本次研究仅为期五周，建议展开长期干预以评估其对认知健康的实际促进作用。
  3. 技术优化：需进一步提高语音交互系统实时响应的效率及降低延迟问题，对隐私保护提出更加明确的解决方案。
  4. 广泛任务：面对更多认知领域（如记忆、注意力）设计的丰富任务需要扩展，以保持长期用户交互兴趣。

总体而言，这项研究首次验证了结合LLM技术的社会辅助机器人在老年护理中促进认知健康的可能性，为未来探索低成本、高适配性、可长期部署的认知支持技术提供了重要方向及实证依据。