在自然环境中检测 mHealth 干预的接受度
人机交互
2021-05-04 v2
摘要
JITAI 是一种新兴技术，具有通过在正确时间提供正确类型和数量的支持来促进健康行为的巨大潜力。JITAI 的一个关键方面是恰当安排干预的递送时机，以确保用户可接受并准备好处理和使用所提供的支持。一些先前工作探索了情境与某些用户特定特质对接受度的关联，并构建了事后机器学习模型来检测接受度。然而，对于有效的干预递送，JITAI 系统需要对用户接受度做出即时决策。为此，我们进行了一项研究，部署机器学习模型在自然环境中（即自由生活条件下）检测接受度。我们利用先前关于 JITAI 接受度的工作，部署了基于聊天机器人的数字教练——Ally——提供身体活动干预并激励参与者达成其步数目标。我们扩展了原始 Ally 应用，纳入两类利用个人情境信息预测其接受时机的机器学习模型：在研究开始前构建并对所有参与者保持不变的静态模型，以及持续学习个体参与者接受度并随研究进展自我更新的自适应模型。为比较，我们纳入了在随机时间发送干预消息的控制模型。应用为每条干预消息随机选取一种递送模型。我们观察到机器学习模型相较控制模型使接受度提升高达 40%。此外，我们评估了不同模型的时间动态，观察到对自适应模型消息的接受度在研究过程中有所增长。
引用
@article{arxiv.2011.08302,
title = {Detecting Receptivity for mHealth Interventions in the Natural Environment},
author = {Varun Mishra and Florian Künzler and Jan-Niklas Kramer and Elgar Fleisch and Tobias Kowatsch and David Kotz},
journal= {arXiv preprint arXiv:2011.08302},
year = {2021}
}