人工智能在健康行为改变中的应用与挑战

留学申请微信咨询

微信扫描左侧二维码

或点击下方按钮咨询

在当今科技迅猛发展的时代，人工智能（AI）和大型语言模型（LLM）在各个领域的应用越来越广泛，尤其是在医疗健康领域。伊利诺伊大学厄巴纳-香槟分校（2024USNews美国大学排名：35）的研究人员最近发表了一项研究，探讨了LLM驱动的聊天机器人在支持用户进行健康行为改变方面的表现。研究发现，虽然这些聊天机器人在用户已经准备好采取行动时能够提供有效的支持，但在用户犹豫是否进行行为改变的初期阶段，它们却无法有效识别用户的动机状态并提供适当的信息。这一发现为未来的研究和技术改进提供了重要的方向。

LLM在支持健康行为改变中的有效性

LLM在支持健康行为改变方面显示出一定的潜力。根据伊利诺伊大学厄巴纳-香槟分校的研究，LLM在用户已经设定目标并准备采取行动时，能够识别动机状态并提供相关信息。这意味着，当用户已经决定改变某种行为，例如增加体力活动或改善饮食习惯时，LLM可以提供具体的建议和信息，帮助用户实现这些目标。

然而，心理治疗是一个复杂且高风险的领域，使用LLM会带来广泛的安全、法律和伦理问题。LLM在心理治疗中的应用需要经过严格的评估和验证，以确保其安全性和有效性。政策制定者和行为健康从业者在将LLM整合到心理治疗中时应谨慎行事，产品开发者应整合基于证据的心理治疗专业知识，并对临床LLM进行全面的有效性和安全性评估。

LLM在识别用户动机方面的挑战

尽管LLM在某些方面表现出色，但在识别用户动机方面仍面临诸多挑战。密歇根大学安娜堡分校的研究人员提出了一个名为KnowHalu的框架，用于检测由LLM生成的文本中的幻觉。LLM有时会生成无意义、不准确或与用户提示不相关的文本，这种现象被称为“幻觉”。KnowHalu框架通过两阶段过程来检测这些幻觉，第一阶段专注于检测非虚构幻觉，第二阶段则采用基于多形式知识的事实检查过程。

这一框架的提出表明，LLM在生成文本时可能会出现偏差和错误，尤其是在识别用户动机和提供相关信息方面。这种现象在用户犹豫是否进行行为改变的初期阶段尤为明显。研究发现，LLM在用户抵制习惯改变时，未能提供帮助他们评估问题行为及其原因和后果的信息。这一问题的解决需要进一步的技术改进和研究。

不同LLM在健康行为改变情景中的比较

在伊利诺伊大学厄巴纳-香槟分校的研究中，研究人员设计了25个不同的情景，涵盖了低体力活动、饮食和营养问题、心理健康挑战、癌症筛查和诊断等健康需求，评估了ChatGPT、Google Bard和Llama 2等LLM在识别动机状态和提供支持行为改变信息方面的表现。研究发现，不同的LLM在这些情景中的表现存在差异。

人工智能在医疗实践中的应用正在彻底改变医疗保健系统。AI技术的快速进步使其在疾病诊断、治疗建议和患者参与等方面具有巨大潜力。AI工具可以利用大数据集识别模式，在多个医疗方面超越人类表现，提供更高的准确性、降低成本和节省时间，同时减少人为错误。AI还可以推动个性化医疗、优化药物剂量、增强人口健康管理、制定指南、提供虚拟健康助手、支持心理健康护理、改善患者教育并影响患者-医生信任关系。

改进LLM在健康行为改变中的未来研究方向

未来的研究应考虑如何微调LLM，以更好地理解用户的动机状态，并提供更具体的知识来帮助人们改变行为。生成式人工智能（GAI）在行为健康领域的潜在应用，特别是图像生成方面，提供了新的研究方向。GAI是一类设计用于创建新数据（如文本、图像和音频）的算法，近年来在医学领域得到了研究，但在行为健康中的应用尚未得到充分探索。

文章提出了GAI在个性化和情境相关的治疗干预中的应用，并强调了将人类反馈整合到AI辅助治疗和决策过程中的必要性。通过一个情感识别和管理的行为治疗案例，展示了GAI在识别、表达和管理情感方面的应用，提供了个性化内容和互动体验。此外，文章还强调了GAI在行为健康应用中的局限性、挑战和考虑因素，包括人类情感元素、人类与AI的协作、透明度和问责制、潜在偏见、安全性、隐私和伦理问题以及操作考虑。