論文の概要: Persuading to Prepare for Quitting Smoking with a Virtual Coach: Using
States and User Characteristics to Predict Behavior
- arxiv url: http://arxiv.org/abs/2304.02264v1
- Date: Wed, 5 Apr 2023 07:31:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-06 13:09:36.547275
- Title: Persuading to Prepare for Quitting Smoking with a Virtual Coach: Using
States and User Characteristics to Predict Behavior
- Title（参考訳）: 仮想コーチによる喫煙予防への取り組み-状態とユーザ特性を用いた行動予測
- Authors: Nele Albers, Mark A. Neerincx, Willem-Paul Brinkman
- Abstract要約: 説得者の状態と特徴は、説得的メッセージを選択するためのより効果的なアルゴリズムのための有望なコンポーネントである。
我々は,仮想コーチが喫煙をやめるための準備活動を行うように,毎日671人の喫煙者を説得した縦断的研究を行った。
このRL-approachを用いて、状態を考えることは行動と将来の状態の両方を予測するのに役立ちます。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Despite their prevalence in eHealth applications for behavior change,
persuasive messages tend to have small effects on behavior. Conditions or
states (e.g., confidence, knowledge, motivation) and characteristics (e.g.,
gender, age, personality) of persuadees are two promising components for more
effective algorithms for choosing persuasive messages. However, it is not yet
sufficiently clear how well considering these components allows one to predict
behavior after persuasive attempts, especially in the long run. Since
collecting data for many algorithm components is costly and places a burden on
users, a better understanding of the impact of individual components in
practice is welcome. This can help to make an informed decision on which
components to use. We thus conducted a longitudinal study in which a virtual
coach persuaded 671 daily smokers to do preparatory activities for quitting
smoking and becoming more physically active, such as envisioning one's desired
future self. Based on the collected data, we designed a Reinforcement Learning
(RL)-approach that considers current and future states to maximize the effort
people spend on their activities. Using this RL-approach, we found, based on
leave-one-out cross-validation, that considering states helps to predict both
behavior and future states. User characteristics and especially involvement in
the activities, on the other hand, only help to predict behavior if used in
combination with states rather than alone. We see these results as supporting
the use of states and involvement in persuasion algorithms. Our dataset is
available online.
- Abstract（参考訳）: 行動変化に対するeHealthの応用が普及しているにもかかわらず、説得的メッセージは行動に小さな影響を及ぼす傾向にある。
説得者の条件または状態(例えば、自信、知識、動機)と特徴(例えば、性別、年齢、性格)は、説得的なメッセージを選択するためのより効果的なアルゴリズムのための2つの有望な要素である。
しかし、これらのコンポーネントを十分に考慮すれば、特に長期的には、説得力のある試みの後の振る舞いを予測できるかどうかはまだ明らかではない。
多くのアルゴリズムコンポーネントのデータ収集はコストがかかり、ユーザに負担がかかるため、個々のコンポーネントの影響をよりよく理解することが歓迎される。
これは、どのコンポーネントを使うべきかを判断するのに役立ちます。
そこで本研究では,仮想コーチが671人の喫煙者に対して,喫煙をやめ,身体的に活発になるための準備活動を行うよう説得する縦断的研究を行った。
収集したデータに基づいて,現在の状態と将来の状態を考慮し,活動に費やす労力を最大化するための強化学習(rl)-approachをデザインした。
このRL-approachを用いて、状態を考えることは行動と将来の状態の両方を予測するのに役立ちます。
一方、ユーザ特性、特にアクティビティへの関与は、単独ではなく、状態と組み合わせて使用される場合のみ、振る舞いを予測するのに役立つ。
これらの結果は、状態の利用と説得アルゴリズムへの関与を支持するものと考えています。
私たちのデータセットはオンラインで利用可能です。
関連論文リスト
- Modeling User Preferences via Brain-Computer Interfacing [54.3727087164445]
我々はBrain-Computer Interface技術を用いてユーザの好みを推測し、その注意力は視覚的コンテンツと感情的体験との関連性に相関する。
我々はこれらを,情報検索,生成モデルのパーソナライズされたステアリング,感情経験のクラウドソーシング人口推定など,関連するアプリケーションにリンクする。
論文 参考訳（メタデータ） (2024-05-15T20:41:46Z) - Beyond Trial-and-Error: Predicting User Abandonment After a Moderation Intervention [0.6918368994425961]
本稿では,Redditにおけるモデレーション介入の効果を予測する新しいタスクを提案する。
ユーザの活動、毒性、関係性、書き込みスタイルに関する情報を伝達する142の機能のセットを計算するために、138万の投稿のデータセットを使用します。
本研究は,モデレーション介入の効果を予測できる可能性を示し,予測コンテンツのモデレーションにおける新たな研究方向の道を開くものである。
論文 参考訳（メタデータ） (2024-04-23T08:52:41Z) - Decoding Susceptibility: Modeling Misbelief to Misinformation Through a Computational Approach [61.04606493712002]
誤報に対する感受性は、観測不可能な不検証の主張に対する信念の度合いを記述している。
既存の感受性研究は、自己報告された信念に大きく依存している。
本稿では,ユーザの潜在感受性レベルをモデル化するための計算手法を提案する。
論文 参考訳（メタデータ） (2023-11-16T07:22:56Z) - Decoding the Silent Majority: Inducing Belief Augmented Social Graph
with Large Language Model for Response Forecasting [74.68371461260946]
SocialSenseは、既存のソーシャルネットワーク上に信念中心のグラフを誘導するフレームワークであり、グラフベースの伝播によって社会的ダイナミクスを捉える。
本手法は,ゼロショット設定と教師あり設定の両方に対する実験的な評価において,既存の最先端技術を超えている。
論文 参考訳（メタデータ） (2023-10-20T06:17:02Z) - Reinforcement Learning from Passive Data via Latent Intentions [86.4969514480008]
我々は、下流RLを加速する機能を学ぶために、受動的データが引き続き使用できることを示す。
我々のアプローチは、意図をモデル化することで受動的データから学習する。
実験では、クロス・エボディメント・ビデオデータやYouTubeビデオなど、さまざまな形式の受動的データから学習できることを実証した。
論文 参考訳（メタデータ） (2023-04-10T17:59:05Z) - Learning to Influence Human Behavior with Offline Reinforcement Learning [70.7884839812069]
人間の準最適性を捉える必要があるような環境での影響に焦点を当てる。
人間によるオンライン実験は安全ではない可能性があり、環境の高忠実度シミュレータを作成することは現実的ではないことが多い。
オフライン強化学習は、観察された人間・人間の行動の要素を拡張し、組み合わせることで、人間に効果的に影響を及ぼすことができることを示す。
論文 参考訳（メタデータ） (2023-03-03T23:41:55Z) - Understanding reinforcement learned crowds [9.358303424584902]
強化学習法は仮想エージェントをアニメーションするために用いられる。
彼らの本当の影響と、それが結果にどのように影響するかは、明らかではない。
学習性能に対する影響の観点から,これらの任意選択のいくつかを分析した。
論文 参考訳（メタデータ） (2022-09-19T20:47:49Z) - Metaversal Learning Environments: Measuring, predicting and improving
interpersonal effectiveness [2.6424064030995957]
人工知能と仮想現実を組み合わせた新しいアーキテクチャを導入し,アバターを用いた没入型学習体験を実現する。
このフレームワークは、アバターと相互作用する個人の対人効果を測定することができる。
その結果, 対人効果に欠ける個人は, アバターとの相互作用が複数あった後, パフォーマンスが著しく向上したことが明らかとなった。
論文 参考訳（メタデータ） (2022-05-05T18:22:27Z) - Learning Language and Multimodal Privacy-Preserving Markers of Mood from
Mobile Data [74.60507696087966]
精神状態は、先進医療に共通する国でも診断されていない。
人間の行動を監視するための有望なデータソースのひとつは、日々のスマートフォンの利用だ。
本研究では,自殺行動のリスクが高い青少年集団の移動行動のデータセットを用いて,日常生活の行動マーカーについて検討した。
論文 参考訳（メタデータ） (2021-06-24T17:46:03Z) - Theory-based Habit Modeling for Enhancing Behavior Prediction [10.235530268703698]
観測可能な行動に基づいて,インテリジェントなシステムが習慣強度を算出する手法を提案する。
将来のブラッシング行動を予測するための課題として, 習慣強度の計算は, 自発的な習慣強度よりも明らかに優れていた。
論文 参考訳（メタデータ） (2021-01-05T16:42:59Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。