基于大语言模型的行为改变人工智能教练动机感知框架

文献标题

An LLM-Based Motivation-Aware Framework For AI Coaching For Behaviour Change

出版信息

• 主题领域: 基于人工智能的数字健康指导，用于行为改变。
• 关键词: 动机性访谈（Motivational Interviewing），大型语言模型（Large Language Models），行为改变，健康指导，身体活动，对话代理，用户动机，治疗联盟，MI策略，人工智能共情。

背景与问题

• 问题/挑战: 现有的数字健康指导系统过于关注情感支持，却忽视了目标设定行为，而目标设定对于准备采取行动的客户至关重要。此外，许多系统无法根据用户的动机状态调整策略，限制了其有效性。
• 重要性: 解决这一问题可以提高行为改变干预的可扩展性和可及性，特别是在促进身体活动和其他健康相关行为方面。
• 动机与相关工作: 以往的系统依赖基于规则或检索的框架，限制了对话的灵活性。虽然大型语言模型（LLMs）增强了灵活性，但它们通常缺乏可控性和可解释性。最近基于MI的系统表现出一定潜力，但在平衡情感支持与可操作指导方面仍存在困难，尤其是针对处于不同准备阶段的客户。

解决方案

• 提出的方法: 基于MI的指导框架，动态调整策略以适应用户的动机状态，结合MI原则和心理学理论如跨理论模型（Transtheoretical Model，TTM）。
• 创新点:
  1. 自适应指导框架，根据用户的动机状态个性化调整策略。
  2. 将MI原则与LLMs相结合，增强对话灵活性，同时遵循治疗指南。
  3. 混合方法评估显示用户改变准备度显著提高，并提供成功指导行为的洞察。
• 流程与关键技术:
  • 对话历史通过三个组件进行分析：动机语言检测、阶段管理和策略选择。
  • 动机状态通过上下文学习（ICL）分类为态度（改变/中立/维持）和强度（高/中/低）。
  • 指导会话分为五个阶段（建立关系、聚焦、激发、计划、总结），每个阶段的策略均经过定制化。
  • 响应生成采用检索增强生成（RAG），以符合MI原则和用户背景。

结果

• 具体发现:
  • 基于MI的代理平均提高用户改变准备度1.47分，而基线仅为0.84分。
  • 基于MI的代理在MI技术技能上的表现更高（CEMI技术项得分：3.59 vs. 3.46）。
  • 与代理达成改变计划的参与者表现出最大的动机提升。
• 相较基线的优势:
  • 用户参与度提高32%（236 vs. 179字每次聊天）。
  • MI原则的遵从性改善（协作策略遵从率：72% vs. 50%）。
  • 不请自来的建议发生率更低（0.25% vs. 1%）。
• 实验/评估:
  • 混合方法用户研究，共招募140名参与者，通过Prolific平台进行。
  • 测量指标包括改变准备度（Contemplation Ladder）、MI感知（CEMI）和治疗联盟（WAI）。
  • 定性分析识别出关键行为（计划达成、合作）对成功指导会话的贡献。
• 局限性与未来工作:
  • 单次会话设计限制了对长期行为改变的洞察。
  • 固定阶段时长可能不适合所有用户；动态阶段转换可能改善用户体验。
  • 缺乏多模态输入（如非语言线索）限制了自然交互。

总结

本文提出了一个基于MI的指导框架，利用LLMs和MI原则动态调整策略以适应用户的动机状态。该系统显著提高了用户改变准备度，并在遵循MI最佳实践方面优于基线MI代理。关键发现强调了计划达成和合作在成功指导会话中的重要性。尽管该框架在可扩展的数字健康干预方面显示出潜力，但未来工作应关注长期参与、动态会话管理和多模态交互能力的改进。