MindShift：利用大语言模型基于心理状态的智能手机问题使用干预
计算与语言
2024-02-29 v2 人工智能
人机交互
摘要
问题性智能手机使用对身心健康产生负面影响。尽管先前研究广泛，现有的说服技术仍不够灵活，无法基于用户的物理情境与心理状态提供动态说服内容。我们首先进行了 Wizard-of-Oz 研究（N=12）与访谈研究（N=10），总结出问题性智能手机使用背后的心理状态：无聊、压力与惯性。这为我们设计四种说服策略提供了依据：理解、安慰、唤起与脚手架习惯。我们利用大语言模型（LLMs）实现有效说服内容的自动动态生成。我们开发了 MindShift，一种新颖的由 LLM 驱动的问题性智能手机使用干预技术。MindShift 以用户即时应用使用行为、物理情境、心理状态、目标与习惯作为输入，并借助恰当的说服策略生成个性化且动态的说服内容。我们开展了为期 5 周的现场实验（N=25），将 MindShift 与其简化版本（移除心理状态）及基线技术（固定提醒）进行比较。结果显示，MindShift 将干预接受率提升了 4.7-22.5%，并将智能手机使用时长减少了 7.4-9.8%。此外，用户的智能手机成瘾量表得分显著下降，自我效能量表得分上升。我们的研究揭示了在其他行为改变领域中利用 LLMs 进行情境感知说服的潜力。
引用
@article{arxiv.2309.16639,
title = {MindShift: Leveraging Large Language Models for Mental-States-Based Problematic Smartphone Use Intervention},
author = {Ruolan Wu and Chun Yu and Xiaole Pan and Yujia Liu and Ningning Zhang and Yue Fu and Yuhan Wang and Zhi Zheng and Li Chen and Qiaolei Jiang and Xuhai Xu and Yuanchun Shi},
journal= {arXiv preprint arXiv:2309.16639},
year = {2024}
}
备注
Published at ACM CHI'24