Mar, 2024

Time2Stop：应对智能手机过度使用的自适应和可解释人机环形干预

PDF
TL;DR研究通过机器学习开发了名为 Time2Stop 的智能、自适应且可解释的 JITAI 系统，该系统能够识别最佳干预时机并提供透明的 AI 解释，通过用户反馈建立人机循环，随着时间的推移适应干预模型。通过 8 周的实地实验发现，该自适应模型在干预准确度和接受性方面显著优于基线方法，并且加入解释进一步提高了干预的有效性。此外，Time2Stop 能够显著减少智能手机过度使用，将应用程序访问频率降低了 7.0％至 8.9％。通过主观数据也验证了这些定量指标，参与者更喜欢自适应干预，并对干预时间的准确性、有效性和信任程度评分较高。我们的工作可以激发未来在具备人机循环的 JITAI 系统方面的研究。
发现论文，激发创造
  • 基于演员 - 评论家的上下文交互式医疗干预个性化算法

    通过构建即时自适应干预研究中的任务来填补现有的方法论空白，提供了一个在线演员 - 评论算法的框架来构建和完善基于数据的即时自适应干预，以此解决移动健康领域的可解释性问题。

    Jun, 2017

  • AI 辅助人类决策中的精度与时间自适应干预

    在高精准性和高时效性的情境中，为了医生在急诊室等场合提供既提高准确性又缩短用时的 AI 辅助，本文提出通过根据问题和用户的不同属性，适应性的选择 AI 辅助类型来平衡目标的研究，并在用医生为外星人开具药品做实验得出需要适应性的 AI 辅助类型，适应性可以在准确性和用时间做良好的权衡，最后进一步研究可以考虑使用机器学习算法（如强化学习）来自动更快地适应。

    Jun, 2023

  • 个性化 HeartSteps: 一种强化学习算法，用于优化身体活动

    本研究发展了一种强化学习算法，用于连续学习并改进快速干预应用程序中的治疗策略，并在 HeartSteps V2 中使用，以决定每天是否提供特定于上下文的活动建议。

    Sep, 2019

  • 通知系统中的时间交互模型 (TIM)

    通过建立 “时间交互模型”（TIM），该研究提出了一种旨在改善移动应用用户参与度的综合通知时间控制策略。研究重点关注用户行为模式，通过估计每个时间段内点击率等用户历史交互特征，而不仅仅依赖上下文特征。通过离线实验和在线 A/B 测试，结果表明 TIM 是一种可靠的用户行为预测工具，能够显著提升用户参与度而避免不必要的干扰。

    Jun, 2024

  • 利用模仿学习实现自动任务时间干预以提升团队合作

    本文介绍了一种自动干预的方法来改善团队协调，首先使用 BTIL 多智能体模仿学习算法从过去的任务执行数据中学习团队行为的生成模型，然后结合团队的任务目标和生成模型来生成执行时间干预，实验结果表明，自动化干预可以成功提高团队绩效并揭示了改善团队合作的自主代理设计的启示。

    Mar, 2023

  • 临床试验中使用转学习预测数字孪生的护士参与的精准 2 型糖尿病管理人工智能

    2 型糖尿病患者通过人工智能和个性化反馈改善每日步数、总卡路里和总碳水化合物摄入，并提供预测控制模型以精确管理病情。

    Jan, 2024

  • 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

    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。

    Sep, 2023

  • 健康的副驾驶员：个性化算法 AI 推动改善健康结果

    我们设计和实施了一个基于人工智能的平台，通过图神经网络推荐系统和佩戴式健身设备的精细健康行为数据，实现了对新加坡 84,764 位个体在 12 周内进行个性化和情境化的推送。统计验证表明，接收到优化的人工智能日常提醒的目标群体的日常体力活动，例如步数增加了 6.17% ($p = 3.09 imes10^{-4}$)，每周中度至高强度体力活动时间增加了 7.61% ($p = 1.16 imes10^{-2}$)，与未接收任何提醒的对照组相比，呈现出显著改善。此外，这些提醒被广泛接受，13.1% 的提醒被打开（开启率），其中 11.7% 的提醒被评为有用，1.9% 的提醒被评为无用，从而显示出人口级参与度的显著提高。

    Jan, 2024

  • 评估环境推断误差和局部可观测性对于即时自适应干预的强化学习方法的影响

    本文探讨了强化学习方法在学习选择干预策略中的应用，并研究了上下文推理误差和部分可观察行为状态对其有效性的影响。 结果表明，当上下文不确定性增加时，不确定性的传播至关重要，而策略梯度算法可以对部分可观察的行为状态信息提供显著的鲁棒性。

    May, 2023

  • 通过联合学习评论和评估的方式创建神经教学代理

    本文介绍了一种基于双向递归神经网络和嵌入式问题 - 答案对的关注机制的神经教学代理，用于实时预测移动教育应用用户响应正确性的任务。通过在名为 SantaTOEIC 的移动教育应用程序上进行的实验证明，我们的模型优于现有方法，并且在新用户中表现出色，同时提供了一种可解释的教育平台，其中包括智能复习系统。

    Jun, 2019