利用自适应 Bandit 实验提升并研究心理健康中的用户参与度
人工智能
2024-03-29 v1 计算机与社会
人机交互
机器学习
摘要
数字心理健康（DMH）干预（如基于短信的课程与活动）为可及的心理健康支持提供了巨大潜力。尽管这些干预可能有效，现实世界的实验测试可进一步优化其设计与影响。自适应实验利用如用于（上下文）多臂 bandit（MAB）问题的 Thompson Sampling 等算法，可实现持续改进与个性化。然而，这些算法何时能同时提升用户体验奖励并为社会行为科学家收集足够统计置信度以供分析的数据，仍不明确。尽管日益增长的研究涉及 MAB 与其他自适应算法的实践与统计层面，仍需进一步探索以评估其在多样现实情境中的影响。本文呈现了一个历时两年开发的软件系统，该系统允许使用 bandit 及其他算法调整短信干预组件，同时收集数据以与传统均匀随机非自适应实验进行并排比较。我们通过向一家大型心理健康非营利组织招募的 1100 名用户部署基于短信的 DMH 干预来评估该系统，并分享了大规模部署该系统的前进路径。该系统不仅支持心理健康中的应用，也可作为其他领域自适应实验算法的模型测试平台。
引用
@article{arxiv.2310.18326,
title = {Using Adaptive Bandit Experiments to Increase and Investigate Engagement in Mental Health},
author = {Harsh Kumar and Tong Li and Jiakai Shi and Ilya Musabirov and Rachel Kornfield and Jonah Meyerhoff and Ananya Bhattacharjee and Chris Karr and Theresa Nguyen and David Mohr and Anna Rafferty and Sofia Villar and Nina Deliu and Joseph Jay Williams},
journal= {arXiv preprint arXiv:2310.18326},
year = {2024}
}