論文の概要: MindShift: Leveraging Large Language Models for Mental-States-Based
Problematic Smartphone Use Intervention
- arxiv url: http://arxiv.org/abs/2309.16639v2
- Date: Wed, 28 Feb 2024 04:45:17 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-29 18:42:28.470721
- Title: MindShift: Leveraging Large Language Models for Mental-States-Based
Problematic Smartphone Use Intervention
- Title（参考訳）: mindshift: 精神状態に基づくスマートフォンの使用介入に大規模な言語モデルを活用する
- Authors: Ruolan Wu, Chun Yu, Xiaole Pan, Yujia Liu, Ningning Zhang, Yue Fu,
Yuhan Wang, Zhi Zheng, Li Chen, Qiaolei Jiang, Xuhai Xu, Yuanchun Shi
- Abstract要約: 問題のあるスマートフォンの使用は、身体的および精神的な健康に悪影響を及ぼす。
先行研究の幅広い範囲にもかかわらず、既存の説得技術は動的説得内容を提供するのに十分な柔軟性を持っていない。
我々は,大規模言語モデル(LLM)を利用して,効果的な説得コンテンツの自動生成と動的生成を実現した。
我々は,新しいLLMを利用したスマートフォン利用介入技術であるMindShiftを開発した。
- 参考スコア（独自算出の注目度）: 34.21508978116272
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Problematic smartphone use negatively affects physical and mental health.
Despite the wide range of prior research, existing persuasive techniques are
not flexible enough to provide dynamic persuasion content based on users'
physical contexts and mental states. We first conducted a Wizard-of-Oz study
(N=12) and an interview study (N=10) to summarize the mental states behind
problematic smartphone use: boredom, stress, and inertia. This informs our
design of four persuasion strategies: understanding, comforting, evoking, and
scaffolding habits. We leveraged large language models (LLMs) to enable the
automatic and dynamic generation of effective persuasion content. We developed
MindShift, a novel LLM-powered problematic smartphone use intervention
technique. MindShift takes users' in-the-moment app usage behaviors, physical
contexts, mental states, goals \& habits as input, and generates personalized
and dynamic persuasive content with appropriate persuasion strategies. We
conducted a 5-week field experiment (N=25) to compare MindShift with its
simplified version (remove mental states) and baseline techniques (fixed
reminder). The results show that MindShift improves intervention acceptance
rates by 4.7-22.5% and reduces smartphone usage duration by 7.4-9.8%. Moreover,
users have a significant drop in smartphone addiction scale scores and a rise
in self-efficacy scale scores. Our study sheds light on the potential of
leveraging LLMs for context-aware persuasion in other behavior change domains.
- Abstract（参考訳）: 問題のあるスマートフォンの使用は、身体と精神の健康に悪影響を及ぼす。
幅広い先行研究にもかかわらず、既存の説得力のある技術は、ユーザーの身体的状況や精神状態に基づいた動的説得力のあるコンテンツを提供するほど柔軟ではない。
われわれはまずWizard-of-Oz研究 (N=12) とインタビュースタディ (N=10) を行い、問題のスマートフォン使用の背景にある精神状態(退屈、ストレス、慣性)を要約した。
これは4つの説得戦略(理解、慰め、誘発、足場)の設計に影響を与えます。
我々は,大規模言語モデル(LLM)を利用して,効果的な説得コンテンツの自動生成と動的生成を実現した。
我々は,新しいllmを利用したスマートフォン使用介入手法であるmindshiftを開発した。
mindshiftは、ユーザーのアプリ内使用行動、物理的状況、精神状態、目標 \&習慣を入力として、適切な説得戦略でパーソナライズされた動的説得コンテンツを生成する。
我々は、5週間のフィールド実験(N=25)を行い、MindShiftの簡易版(精神状態の削除)とベースライン技術(修正リマインダー)を比較した。
その結果、マインドシフトは介入受け入れ率を4.7-22.5%向上させ、スマートフォンの使用期間を7.4-9.8%削減した。
さらに、スマートフォン依存度尺度の大幅な低下と、自己効力度尺度の上昇がある。
我々の研究は、他の行動変化領域における文脈認識的説得にLLMを活用する可能性に光を当てている。
関連論文リスト
- AI-Driven Feedback Loops in Digital Technologies: Psychological Impacts on User Behaviour and Well-Being [0.0]
本研究は,フィードバックメカニズムがユーザの行動や幸福に与える影響について,肯定的,否定的な心理的影響について検討することを目的とする。
データ駆動フィードバックループは、モチベーションのメリットだけでなく、心理的課題も与えます。
これらのリスクを軽減するために、ユーザはバーンアウトや中毒を防ぐために、テクノロジの使用に関して境界を確立する必要がある。
論文 参考訳（メタデータ） (2024-10-30T17:11:30Z) - MindScape Study: Integrating LLM and Behavioral Sensing for Personalized AI-Driven Journaling Experiences [6.120545056775202]
MindScapeは受動的に収集された行動パターンを統合することで、AIによるジャーナリングの新しいアプローチを開拓した。
この統合は、高度にパーソナライズされ、コンテキスト対応のジャーナリングエクスペリエンスを生み出します。
大学生20名を対象に8週間の探索的研究を行い,MindScapeアプリの有効性を実証した。
論文 参考訳（メタデータ） (2024-09-15T01:10:46Z) - NegativePrompt: Leveraging Psychology for Large Language Models Enhancement via Negative Emotional Stimuli [21.846500669385193]
大規模言語モデル(LLM)は幅広い応用に不可欠なものとなっている。
LLMには感情的な知性があり、肯定的な感情刺激によってさらに発展することができる。
心理学的原理に基づく新しいアプローチであるNegativePromptを紹介する。
論文 参考訳（メタデータ） (2024-05-05T05:06:07Z) - PsychoGAT: A Novel Psychological Measurement Paradigm through Interactive Fiction Games with LLM Agents [68.50571379012621]
心理的な測定は、精神健康、自己理解、そして個人の発達に不可欠である。
心理学ゲームAgenT(サイコガト)は、信頼性、収束妥当性、差別的妥当性などの心理学的指標において統計的に有意な卓越性を達成している。
論文 参考訳（メタデータ） (2024-02-19T18:00:30Z) - FedTherapist: Mental Health Monitoring with User-Generated Linguistic
Expressions on Smartphones via Federated Learning [19.16654135275393]
既存の受動的メンタルヘルス監視システムは、アクティビティ、アプリ利用、モバイルデバイス経由の位置といった代替機能を使用している。
本稿では,プライバシ保護方式で連続音声とキーボード入力を利用するモバイルメンタルヘルスモニタリングシステムであるFedTherapistを提案する。
論文 参考訳（メタデータ） (2023-10-25T10:35:09Z) - Facilitating Self-Guided Mental Health Interventions Through Human-Language Model Interaction: A Case Study of Cognitive Restructuring [8.806947407907137]
人間の言語モデル相互作用が自己指導型メンタルヘルス介入にどのように役立つかを検討する。
我々は、言語モデルを用いて、認知的再構成の様々なステップを通して人々を支援するシステムの設計と評価を行う。
論文 参考訳（メタデータ） (2023-10-24T02:23:34Z) - Large Language Models Understand and Can be Enhanced by Emotional
Stimuli [53.53886609012119]
我々は、感情的な刺激を理解するために、大規模言語モデルの能力を探究する第一歩を踏み出す。
実験の結果,LLMは感情的知能を把握でき,その性能は感情的刺激によって改善できることがわかった。
EmotionPromptが生成タスクの性能を大幅に向上させることを示す。
論文 参考訳（メタデータ） (2023-07-14T00:57:12Z) - Memory-Augmented Theory of Mind Network [59.9781556714202]
社会的推論は、心の理論(ToM)の能力を必要とする。
ToMに対する最近の機械学習アプローチは、観察者が過去を読み、他のエージェントの振る舞いを提示するように訓練できることを実証している。
我々は,新たなニューラルメモリ機構を組み込んで符号化し,階層的な注意を払って他者に関する情報を選択的に検索することで,課題に対処する。
この結果、ToMMYは心的プロセスについての仮定をほとんど行わずに理性を学ぶマインドモデルである。
論文 参考訳（メタデータ） (2023-01-17T14:48:58Z) - Neural Theory-of-Mind? On the Limits of Social Intelligence in Large LMs [77.88043871260466]
私たちは、今日の最大の言語モデルのひとつに、このようなソーシャルインテリジェンスを最初から欠いていることを示しています。
我々は、人中心のNLPアプローチは、マインドの神経理論に対してより効果的であるかもしれないと結論づける。
論文 参考訳（メタデータ） (2022-10-24T14:58:58Z) - 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)
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。