基于大语言模型的迭代个性化强化行为 nudges
计算机与社会
2026-04-07 v1 人工智能
人机交互
摘要
引导技术常用于促进行为改变，但其效果往往受限于收件人在不断变化的情境下反复将反馈转化为可行的下一步骤。大语言模型 (LLM) 可能有助于通过生成个性化指导并在干预轮次中不断更新来减少部分认知工作。我们开发了一个用于迭代个性化的 LLM 智能体，并在中国一所大学的 233 名住户中进行了三臂随机实验，选用每日电力和淋浴热水 conservation 作为客观测量的案例，二者在 friction 上存在差异。LLM 个性化引导 (T2) 产生了最大的 conservation 效果，而图像强化的常规引导 (T1) 和基于文本的常规引导 (C) 显示出类似的结果（总体 p = 0.009）。相对于 C，T2 每房间-天降低 0.56 kWh（p = 0.014），相当于调整后节省率提高 18.3 个百分点。该优势在前两个干预轮次中显现，伴随个性化指导的迭代更新，随后持续存在。热水结果的方向相同，但规模较小、估计不够精确，且随时间减弱，符合该领域 friction 较强的预期。LLM 个性化引导强调前瞻性和情境特定的指导，并与更高的参与者参与度相关联。这一研究为 LLM 基于迭代个性化增强行为引导提供了现场证据，行为 friction 作为潜在边界条件。更大的试验和对更多行为的扩展也很有必要。
引用
@article{arxiv.2604.03881,
title = {Enhancing behavioral nudges with large language model-based iterative personalization: A field experiment on electricity and hot-water conservation},
author = {Zonghan Li and Yi Liu and Chunyan Wang and Song Tong and Kaiping Peng and Feng Ji},
journal= {arXiv preprint arXiv:2604.03881},
year = {2026}
}