面向体育活动的量身定制行为改变信息：将情境多臂老虎机与大型语言模型集成
机器学习
2026-03-04 v4 人机交互
应用统计
摘要
情境多臂老虎机 (cMAB) 算法为动态调整个体行为干预提供了有前景的框架。然而，cMAB 通常需要大量样本才能有效学习，通常依赖有限的预设固定信息模板。在本文中，我们提出了一种混合 cMABxLLM 方法，其中 cMAB 选择干预类型，大型语言模型 (LLM) 在所选类型内个性化信息内容。我们在为期 30 天的体育活动干预中部署了该方法，比较了四种行为改变干预类型：行为自我监控、收益框架、损失框架和社会比较，以日常鼓励性信息形式传递，以提升动机并实现每日步数。信息内容通过动态情境因素个性化，包括自我效能感、社会影响和监管焦点的日间波动。整个试验期间，参与者接收到的每日信息由以下五种模型之一分配：等概率随机化 (RCT)、仅 cMAB、仅 LLM、带交互历史的 LLM 或 cMABxLLM。结果包括对体育活动动机和信息有用性的评估，通过生态情境评估 (EMA) 进行。我们使用预先规定的统计分析对五种交付模型进行评估和比较，分析中考虑了重复测量和时间趋势。我们发现，cMABxLLM 方法在保持 LLM 生成信息的感知接受度方面，同时减少了标记用量，并为干预选择提供明确且可复现的决策规则。这种混合方法还避免了干预交付偏斜，通过改善对低交付干预类型的支持。更广泛地说，我们的方法提供了一种可部署的模板，将贝叶斯自适应实验与生成模型结合，以实现个人化和可解释性。
引用
@article{arxiv.2506.07275,
title = {Tailored Behavior-Change Messaging for Physical Activity: Integrating Contextual Bandits and Large Language Models},
author = {Haochen Song and Dominik Hofer and Rania Islambouli and Laura Hawkins and Ananya Bhattacharjee and Zahra Hassanzadeh and Jan Smeddinck and Meredith Franklin and Joseph Jay Williams},
journal= {arXiv preprint arXiv:2506.07275},
year = {2026}
}