MindShift: 利用大型语言模型进行基于心理状态的手机问题使用干预

Sep, 2023

MindShift: 利用大型语言模型进行基于心理状态的手机问题使用干预

MindShift: Leveraging Large Language Models for Mental-States-Based Problematic Smartphone Use Intervention

Ruolan Wu, Chun Yu, Xiaole Pan, Yujia Liu, Ningning Zhang...

TL;DR智能手机的问题使用对身心健康产生了负面影响，然而现有的说服技术不足以根据用户的身体状况和心理状态提供灵活的说服内容。我们通过调查研究，首先总结了导致智能手机问题使用背后的心理状态：无聊、压力和惰性，从而设计出了四种说服策略：了解、安慰、唤起和支持习惯。我们利用大型语言模型 (LLMs) 实现自动和动态生成有效说服内容的能力，并开发了一种名为 MindShift 的新型 LLM 驱动的智能手机问题使用干预技术。MindShift 接受用户的即时身体状况、心理状态、应用使用行为、用户目标和习惯作为输入，并生成适当的说服策略的高质量和灵活性强的说服内容。我们进行了为期 5 周的实地实验 (N=25)，将 MindShift 与基准技术进行了比较。结果显示，MindShift 使干预接受率提高了 17.8-22.5%，智能手机使用频率降低了 12.1-14.4%。此外，用户的智能手机成瘾程度显著下降，自我效能感提高。我们的研究为在其他行为变化领域利用 LLMs 进行上下文感知的说服提供了启示。

Abstract

problematic smartphone use negatively affects physical and mental health. Despite the wide range of prior research, existing persuasive techniques are not flexible enough to provide dynamic persuasion content based on users' physical contexts and mental states. We first conduct a Wizar

problematic smartphone use persuasion techniques mmindshift intervention large language models

发现论文，激发创造

从分类到临床洞见：用大型语言模型分析和推理移动和行为健康数据

使用大型语言模型（LLMs）综合多传感器数据生成临床有用的洞察力，首次展示使用 LLMs 进行二元抑郁症分类的准确性超过了现有技术，而且还强调了人工智能与医生领域专业知识和患者背景相结合的人工智能协同方法在临床决策支持方面的价值。

Nov, 2023

大型语言模型用于心理健康研究的系统综述

总结和概括了大型语言模型（LLMs）在心理健康领域的应用，包括早期筛查、数字干预和其他临床应用领域的强项、限制、挑战和机遇，并指出了 LLMs 在心理健康问题检测和个性化医疗方面的有效性，同时也提出了关于文本一致性、幻觉内容和缺乏伦理框架的风险以及 LLMs 作为创新临床工具的进一步研究和发展的必要性，强调 LLMs 应该是专业心理健康服务的补充而非替代。

Feb, 2024

社交媒体和智能设备是否能够评估心理健康？解决方法和评价中的偏见问题

本文探讨了近期关于使用智能手机数据和社交媒体数据预测精神健康问题，有很多研究报告表明其非常具有潜力，但是在实际环境中，并没有表现出较好的通用性。研究发现，在考虑真实世界环境并使用不同的特征源和多重模拟等多种方法进行比较后，目前最先进的方法仅能超过最基础的基线，无法持续改善数据和效果质量。

Jul, 2018

MindfulDiary: 利用大型语言模型支持心理科病患的日记

MindfulDiary 是一个移动日记应用程序，整合了一个大型语言模型，帮助精神科患者通过对话记录每天的经历，它可以在临床设置中提供技术可行性和整合的潜力。

Oct, 2023

社会塑造理论的启示：本科编程课程中对大型语言模型的应用

利用大型语言模型（LLMs）进行代码生成、调试和解释的能力在大学本科编程教育领域引起了研究人员和教育者的兴趣，但决定如何以及为何在编程教育中使用 LLMs 可能不仅涉及到 LLMs 的技术能力评估，同时也会受到学生社会感知的影响。本研究使用社会技术塑造理论作为指导框架，探讨了学生的社会感知如何影响他们对 LLMs 的使用，并研究了学生在大学本科编程课程中自报告的 LLMs 使用情况与其自我效能感和期中成绩之间的相关性。通过对匿名课程末尾学生调查（n = 158）、期中自我效能调查（n = 158）、学生访谈（n = 10）、作业中自报告的 LLMs 使用情况和期中成绩的数据三角化分析，我们发现学生对 LLMs 的使用与他们对未来职业的期望以及对同伴使用的认知相关。此外，我们发现在我们的环境中早期自我报告的 LLMs 使用与较低的自我效能感和期中成绩有关，而学生对 LLMs 的过度依赖感，而非使用本身，与课程后期的自我效能感降低相关。

Jun, 2024

从移动数据中学习语言和多模态隐私保护的情绪标记

通过对高自杀风险人群进行研究，本文从语言和移动文本的多模态表示等方面分析了手机使用行为与情绪的关联，并提出一种保护隐私的深度学习方法来提高智能手机数据的使用价值。

Jun, 2021

利用智能手机传感实现设备上的个性化 LLMs

通过将设备端大型语言模型与智能手机传感技术相结合，提供上下文感知和个性化服务的新型端到端框架解决了当前云端个性化解决方案的隐私、延迟、成本和有限个人传感数据方面的关键限制，并通过上下文感知实现了隐私保护和个性化性能的提升。

Jul, 2024

大型语言模型在数字精神健康中的益处与危害

近年来，大型语言模型（LLM）在数字精神健康工具设计、开发和实施领域展示了潜在的机遇和风险，我们提出了四个应用领域，包括对需要关怀的个体的求助行为、社区关怀提供、机构和医疗关怀提供，以及更大规模的社会关怀生态系统，并思考了 LLM 技术如何提升心理健康。本文的发现有助于未来研究、倡导和监管工作，以创建更负责任、用户友好、公平和安全的基于 LLM 的精神健康治疗和干预工具。

Nov, 2023

打字疗法：大型语言模型聊天机器人在心理健康支持方面的经验

通过对来自不同国家背景的 21 位个体进行访谈，我们调查了使用 LLM 聊天机器人进行心理健康支持的人们的亲身经历，并对用户如何为他们的聊天机器人创造独特的支持角色、填补日常护理的空白以及在寻求聊天机器人支持时如何应对相关的文化限制进行了分析。我们将分析基于心理治疗文献中有效支持的概念，并介绍了治疗性对齐的概念，即将人工智能与心理健康背景下的治疗价值对齐。我们的研究为设计师如何以道德且有效的方式应对 LLM 聊天机器人和其他人工智能心理健康支持工具在心理健康护理中的使用提供了建议。

Jan, 2024

情境化人工智能日志：利用 LLM 和时间序列行为感知技术，通过 MindScape 应用促进自我反思和幸福感

MindScape 通过整合时间序列行为模式（如对话参与度、睡眠、位置）与大型语言模型（LLMs）来研究促进自我反思和幸福感的上下文 AI 记录的好处，此法将行为感知与 LLMs 相融合很可能开启 AI 领域新的领域。本文讨论了 MindScape 上下文记录应用的设计，该应用利用 LLMs 和行为感知生成上下文化和个性化的记录提示，以鼓励自我反思和情感发展。我们还讨论了基于初步用户研究的学生群体上下文 AI 记录的有效性在大学校园中的评估。MindScape 代表了将行为智能嵌入 AI 的新应用类别。

Mar, 2024