در سال‌های اخیر، صنعت مراقبت‌های بهداشتی استفاده از چت‌بات‌های بزرگ مبتنی بر مدل‌های زبانی یا عوامل مکالمه مولد را به طور قابل توجهی افزایش داده است. این ابزارهای هوش مصنوعی برای اهداف مختلفی مانند آموزش بیمار، ارزیابی و مدیریت مورد استفاده قرار می‌گیرند. با افزایش محبوبیت این چت‌بات‌ها، محققان آزمایشگاه ACTION در دانشگاه ایلینویز Urbana-Champaign پتانسیل آنها برای ترویج تغییر رفتار سالم را بررسی کرده‌اند.
میشل باک، دانشجوی دکترا در علوم اطلاعات، و پروفسور جسی چین به تازگی یافته‌های خود را در مجله انجمن انفورماتیک پزشکی آمریکا منتشر کرده‌اند. هدف مطالعه آنها این بود که بفهمند آیا مدل‌های زبانی بزرگ می‌توانند به طور موثری حالت‌های انگیزشی کاربران را شناسایی کرده و اطلاعات مناسبی را برای حمایت از تغییر به سمت عادات سالم‌تر ارائه دهند.
مطالعه رفتار چت بات ها
برای ارزیابی توانایی‌های مدل‌های زبانی بزرگ در ترویج تغییر رفتار، باک و چین یک مطالعه جامع را طراحی کردند که شامل سه مدل چت‌بات معروف بود: ChatGPT، Google Bard و Llama 2. این مطالعه به بررسی موضوعاتی مانند کمبود فعالیت بدنی، نگرانی‌های رژیم غذایی و تغذیه، چالش‌های سلامت روان، غربالگری و تشخیص سرطان، بیماری‌های مقاربتی و وابستگی به مواد پرداخت.
سناریوها به دقت طراحی شدند تا پنج مرحله متمایز از تغییر رفتار را نشان دهند:
1. **مقاومت در برابر تغییر و عدم آگاهی از رفتار مشکل‌ساز**: فرد هیچ شناختی از وجود مشکل ندارد.
2. **افزایش آگاهی از رفتار مشکل‌ساز اما دوگانگی در مورد ایجاد تغییرات**: فرد از مشکل آگاه است اما هنوز در تصمیم‌گیری برای تغییر مردد است.
3. **قصد اقدام با گام‌های کوچک در جهت تغییر**: فرد شروع به برنامه‌ریزی و انجام گام‌های اولیه برای تغییر می‌کند.
4. **شروع تغییر رفتار با تعهد به حفظ آن**: فرد به طور جدی تغییر رفتار را آغاز کرده و تلاش می‌کند آن را نگه دارد.
5. **حفظ موفقیت‌آمیز تغییر رفتار به مدت شش ماه با تعهد به حفظ آن**: فرد تغییر رفتار را به مدت شش ماه حفظ کرده و به دنبال نگه داشتن آن است.
محققان با ارزیابی پاسخ‌های چت‌بات‌ها به هر سناریو در مراحل مختلف انگیزشی، هدفشان تعیین نقاط قوت و ضعف مدل‌های زبانی بزرگ در حمایت از کاربران در طول مسیر تغییر رفتار بود.
مطالعه چه چیزی پیدا کرد؟
در مطالعه انجام شده توسط باک و چین، نتایج امیدوار کننده‌ای همچون قابلیت چت‌بات‌های مبتنی بر هوش مصنوعی برای شناسایی و حمایت از کاربران در طول سفر تغییر رفتارشان به وجود آمد. آنها به این نتیجه رسیدند که این ابزارها می‌توانند به طور موثر حالت‌های انگیزشی را شناسایی کرده و اطلاعات مرتبط را زمانی که کاربران اهداف تعیین‌شده و تعهد قوی برای انجام اقدام دارند، ارائه دهند. این نتیجه نشان می‌دهد که افرادی که قبلاً در مراحل بعدی تغییر رفتار هستند، مانند افرادی که تغییرات را آغاز کرده اند یا مدتی است که با موفقیت آنها را حفظ کرده اند، می توانند از راهنمایی و پشتیبانی ارائه شده توسط این ابزارهای مبتنی بر هوش مصنوعی بهره مند شوند.
با این حال، محققان همچنین محدودیت‌های قابل توجهی را در توانایی مدل‌های زبان بزرگ برای تشخیص مراحل اولیه انگیزه مشاهده کردند، به‌ویژه زمانی که کاربران در برابر تغییر مقاومت می‌کنند یا در مورد ایجاد اصلاحات در رفتارشان دوسوگرا هستند. در این موارد، چت‌بات‌ها نتوانستند اطلاعات کافی را برای کمک به کاربران در ارزیابی رفتار مشکل‌شان و پیامدهای آن، و همچنین ارزیابی نحوه تأثیر محیط بر اقداماتشان ارائه دهند. به عنوان مثال، در مواجهه با کاربری که در برابر افزایش فعالیت بدنی خود مقاومت نشان می‌دهد، چت‌بات‌ها اغلب به‌جای اینکه کاربر را از نظر عاطفی با برجسته کردن پیامدهای منفی سبک زندگی بی‌تحرک درگیر کنند، اطلاعاتی در مورد پیوستن به باشگاه ارائه می‌کنند.
علاوه بر این، این مطالعه نشان داد که مدل‌های زبان بزرگ راهنمایی کافی در مورد استفاده از سیستم‌های پاداش برای حفظ انگیزه یا کاهش محرک‌های محیطی که ممکن است خطر عود را افزایش دهد، حتی برای کاربرانی که قبلاً اقداماتی برای تغییر رفتار خود انجام داده‌اند، ارائه نمی‌دهند.
آینده رفتار چت بات ها
یافته‌های این مطالعه بر محدودیت‌های فعلی مدل‌های زبانی بزرگ در درک حالت‌های انگیزشی از مکالمات زبان طبیعی تأکید می‌کند. چین توضیح داد که این مدل‌ها برای نشان دادن ارتباط زبان کاربر آموزش داده شده‌اند، اما تلاش می‌کنند بین کاربری که به تغییر فکر می‌کند اما هنوز مردد است و شخصی که قصد جدی برای اقدام دارد، تمایز قائل شوند. علاوه بر این، شباهت معنایی در پرس و جوهای کاربر در مراحل مختلف انگیزشی، شناسایی دقیق آمادگی کاربر برای تغییر را تنها بر اساس زبان آنها برای مدل‌ها چالش برانگیز می‌کند.
علیرغم این محدودیت‌ها، محققان بر این باورند که چت ربات‌های مدل زبان بزرگ، زمانی که کاربران انگیزه‌های قوی دارند و آماده اقدام هستند، پتانسیل ارائه پشتیبانی ارزشمند را دارند. برای درک کامل این پتانسیل، مطالعات آینده بر تنظیم دقیق این مدل‌ها برای درک بهتر حالات انگیزشی کاربران با استفاده از نشانه‌های زبانی، الگوهای جستجوی اطلاعات و عوامل اجتماعی تعیین‌کننده سلامت تمرکز خواهند کرد. محققان امیدوارند با تجهیز مدل‌ها به دانش خاص‌تر و بهبود توانایی آنها در تشخیص و پاسخ به مراحل مختلف انگیزه، اثربخشی این ابزارهای مبتنی بر هوش مصنوعی را در ارتقای تغییر رفتار سالم افزایش دهند.
نتیجه گیری
مطالعه آزمایشگاه ACTION دانشگاه ایلینویز Urbana-Champaign پتانسیل و محدودیت‌های چت ربات‌های مدل زبان بزرگ را در ترویج تغییر رفتار سالم روشن کرده است. در حالی که این ابزارهای مبتنی بر هوش مصنوعی در حمایت از کاربرانی که متعهد به ایجاد تغییرات مثبت هستند، نویدبخش نشان داده‌اند، اما همچنان در تلاش هستند تا مراحل اولیه انگیزه، مانند مقاومت و دوسوگرایی را تشخیص دهند و به آنها پاسخ دهند. همانطور که محققان به اصلاح و بهبود این مدل‌ها ادامه می‌دهند، امید است که آنها به طور فزاینده‌ای در هدایت کاربران در تمام مراحل فرآیند تغییر رفتار مؤثر واقع شوند و در نهایت به نتایج سلامت بهتر برای افراد و جوامع کمک کنند.