[論文レビュー] GPTCoach: Towards LLM-Based Physical Activity Coaching

Matthew Jörke, Shardul Sapkota+5 more|arXiv (Cornell University)|May 9, 2024

Digital Mental Health Interventions被引用数 8

ひとこと要約

GPTCoachは、エビデンスに基づく健康コーチングプログラムを実装するLLMベースのチャットボットで、動機づけ面接戦略を使用し、ウェアラブル健康データを照会して身体活動の行動変容を支援できる。16名の参加者を対象とした技術的プローブとして評価された。

ABSTRACT

Mobile health applications show promise for scalable physical activity promotion but are often insufficiently personalized. In contrast, health coaching offers highly personalized support but can be prohibitively expensive and inaccessible. This study draws inspiration from health coaching to explore how large language models (LLMs) might address personalization challenges in mobile health. We conduct formative interviews with 12 health professionals and 10 potential coaching recipients to develop design principles for an LLM-based health coach. We then built GPTCoach, a chatbot that implements the onboarding conversation from an evidence-based coaching program, uses conversational strategies from motivational interviewing, and incorporates wearable data to create personalized physical activity plans. In a lab study with 16 participants using three months of historical data, we find promising evidence that GPTCoach gathers rich qualitative information to offer personalized support, with users feeling comfortable sharing concerns. We conclude with implications for future research on LLM-based physical activity support.

研究の動機と目的

• 健康専門家が身体活動の障壁を克服するためにどのようにコーチングを行い、LLMsがこれらの戦略に何を寄与できるかを特定する。
• セルフトラッキングデータが活動促進にどう活用されているか、またLLMsがこのデータをコーチングに活用する方法を評価する。
• 確立されたコーチングプログラムとMI手法に根ざした、促進的で非処方的なAIコーチを設計する。
• GPTCoachがコーチング原則へどの程度準拠しているか、実際の対話でのデータ利用を評価する。

提案手法

• LLM健康コーチの設計観点を抽出するため、12名の健康専門家と10名の非専門家を対象に形成的インタビューを実施する。
• 検証済みの健康コーチングプログラムと動機付け面接手法に合わせたオンボーディング会話としてGPTCoachを開発する。
• HealthKitを介してウェアラブルデータを取得し、UIで可視化するツール呼び出しを含むデータとプロンプトのパイプラインを実装する。
• コーチングプログラム、MI戦略、適切なデータ利用の遵守を確保するためにプロンプトチェインを採用する。
• MI行動、コーチングの遵守、データ活用を評価するため、16名の参加者でプロトタイプを実装しパイロットテストを行う。

実験結果

リサーチクエスチョン

• RQ1 RQ1: 健康専門家はどのようなコーチング戦略を用いており、LLMsは身体活動の障壁を克服するためにどれを採用できるか？
• RQ2 RQ2: 健康専門家はセルフトラッキングデータをどのように使用しており、LLMsがこのデータを活動促進に活用するにはどうすればよいか？
• RQ3 RQ3: LLMベースのコーチは、個人データを統合しつつ促進的で非ジャッジングなコーチングスタイルを維持できるか？
• RQ4 RQ4: 構造化されたコーチングプログラムへの遵守を、プロンプトチェイニングはどの程度効果的に強制できるか？
• RQ5 RQ5: データ利用と個別化の観点から、健康コーチングにおけるLLMsの使用にはどのようなリスクと制約があるか？

主な発見

• MIに一貫したまたは中立的な行動が84%の頻度で発生した。
• 参加者はチャットボットにサポートを感じ、懸念を共有することに安心感を抱いたと報告した。
• プロンプトチェイニングにより、GPTCoachがコーチングプログラムを遵守し、適切なツール呼び出しを開始した。
• GPTCoachのデータ利用はよりばらつきがあり、動機付けにデータを活用した会話もあれば、積極的にデータを統合しなかった会話もあった。
• 通常のGPT-4と比較して、GPTCoachはMI原則への適合がより高く、よりオープンな質問を多く行い、推奨のアドバイスを控えめにした。
• 参加者はAIが目標設定や責任追跡のデータ分析を補完できると信じた一方で、プライバシーと個別化の課題は依然として残った。