基于大语言模型的数字孪生用于个性化预测信息感知效果

潜在干预用户对信息效果的感知（PME）对于选择和优化面向移动健康（mHealth）平台交付的烟戒干预信息至关重要。本研究评估了大语言模型（LLM）是否能准确预测烟戒信息的PME。我们评估了多种模型用于预测PME的三个领域：内容质量、应对支持和戒烟支持。数据集包括3010条信息评级（5点likert量表），来自301名年轻吸烟者。我们比较了（1）在标记数据上训练的监督学习模型，（2）无需任务特定微调的零样本和few-shot LLM，以及（3）整合个体特征和先前PME历史的LLM-based数字孪生，以生成个性化预测。对三个保留的每位参与者的信息进行评估，使用准确率、Cohen's kappa和F1。LLM-based数字孪生在零样本和few-shot LLM（平均提升12个百分点）和监督基线（平均提升13个百分点）方面表现更好，分别达到content（0.49）、coping（0.45）和quitting（0.49）的准确率，在简化的3点尺度上，方向准确率分别为0.75、0.66和0.70。数字孪生预测显示更大的评级类别分散，表明对个体差异的灵敏度更高。将个人轮廓与LLM集成捕捉了PME的个体特定差异，优于监督和零/少样本方法。改进的PME预测可能更精细地针对mHealth中的干预内容。LLM-based数字孪生显示出支持移动烟戒及其他健康行为改变干预的个性化潜力。