[论文解读] FitChat: Conversational Artificial Intelligence Interventions for Encouraging Physical Activity in Older Adults

Nirmalie Wiratunga, Kay Cooper+5 more|arXiv (Cornell University)|Apr 29, 2020

Mobile Health and mHealth Applications参考文献 14被引用 5

一句话总结

FitChat 提出了一款基于语音的对话式人工智能聊天机器人，旨在通过个性化数字行为改变干预措施，提升老年人的身体活动水平。该原型通过工作坊与老年人共同设计，并经由‘说出思考’式会话评估，结果显示，与基于文本的方法相比，语音交互显著增强了动机和参与度，凸显语音在老年人长期行为改变中的强大潜力。

ABSTRACT

Delivery of digital behaviour change interventions which encourage physical activity has been tried in many forms. Most often interventions are delivered as text notifications, but these do not promote interaction. Advances in conversational AI have improved natural language understanding and generation, allowing AI chatbots to provide an engaging experience with the user. For this reason, chatbots have recently been seen in healthcare delivering digital interventions through free text or choice selection. In this work, we explore the use of voice-based AI chatbots as a novel mode of intervention delivery, specifically targeting older adults to encourage physical activity. We co-created "FitChat", an AI chatbot, with older adults and we evaluate the first prototype using Think Aloud Sessions. Our thematic evaluation suggests that older adults prefer voice-based chat over text notifications or free text entry and that voice is a powerful mode for encouraging motivation.

研究动机与目标

• 探索基于语音的对话式人工智能作为数字行为改变干预（DBCIs）的新交付模式，针对老年人的身体活动目标。
• 与老年人共同设计聊天机器人，识别能促进动机与依从性的有意义对话技能和干预功能。
• 通过‘说出思考’式会话评估初始原型，以评估对话有效性、用户参与度及动机影响。
• 探究如何利用显式和隐式用户数据进行情境个性化，以增强人工智能驱动的健身干预的相关性与有效性。

提出的方法

• 通过三次与老年人共同设计的工作坊，迭代设计聊天机器人的核心对话技能与功能需求。
• 开发了一款基于智能手机的语音界面，集成自然语言理解与生成技术，实现实时对话交互。
• 实现意图模板并设置槽位以提取数据（例如：步数、活动类型、时间）和情境化信息（例如：位置、日期、原因），以实现个性化互动。
• 采用语料库方法，将共情与激励性回应嵌入聊天机器人的对话系统。
• 设计系统以识别用户障碍，并结合显式（用户输入）和隐式（可穿戴设备/传感器感知）数据，提供情境相关的激励性对话回应。
• 通过老年人参与的‘说出思考’式会话评估首个原型，分析用户体验、对话流程及感知动机。

实验结果

研究问题

• RQ1 在面向老年人的健身聊天机器人中，哪些对话技能最为有效？
• RQ2 基于语音的对话干预能否有效激励老年人在身体活动方面实现积极行为改变？
• RQ3 基于语音的对话式人工智能能否确保用户全程参与，以支持长期坚持身体活动目标？
• RQ4 如何利用情境化和个人信息（显式与隐式）来增强人工智能驱动干预的相关性与有效性？

主要发现

• 根据‘说出思考’式会话的题组分析，老年人更偏好语音交互，而非文本通知或自由文本输入。
• 语音交互被认为更自然、更具吸引力且更具激励性，显著提升了用户参与干预的意愿。
• 聊天机器人利用情境数据（如活动类型、时间、步数）进行个性化对话的能力，增强了感知相关性与用户信任感。
• 用户对共情与激励性对话反应积极，类似研究中79%的响应接受率表明其在情感参与方面具有强大潜力。
• 该原型展现出长期依从性的强潜力，因为语音对话被认为比传统文本通知更具支持性且侵入性更低。
• 本研究发现，为文本平台设计的内容在转化为语音交付时需进行显著调整，以保留非正式语气与语调，凸显了关键的设计挑战。