Investigating the Relationship Between Physical Activity and Tailored Behavior Change Messaging: Connecting Contextual Bandit with Large Language Models

要約

コンテキストマルチアライムバンディット（CMAB）アルゴリズムなどの機械学習アプローチは、身体活動を促進するためにパーソナライズされた介入を提供することにより、座りがちな行動を減らすための有望な戦略を提供します。
ただし、CMABアルゴリズムは通常、効果的に学習するために大規模な参加者サンプルを必要とし、モデルで明示的にエンコードされていない重要な心理的要因を見落とす可能性があります。
この研究では、介入タイプを大規模な言語モデル（LLM）で選択するためにCMABを組み合わせてメッセージコンテンツをパーソナライズするハイブリッドアプローチを提案します。
4つの介入タイプを評価します：行動自己監視、利益フレーム、損失フレーム、および社会的比較。それぞれが、身体活動と毎日のステップカウントの動機を高めることを目的とした動機付けのメッセージとして提供されます。
メッセージコンテンツは、自己効力感、社会的影響、規制の焦点の毎日の変動を含む動的なコンテキスト要因を使用して、さらにパーソナライズされます。
7日間の試験で、参加者は4つのモデルのいずれかによって割り当てられた毎日のメッセージを受け取ります：CMAB単独、LLM単独、CMABとLLMパーソナライゼーション（CMABXLLM）を組み合わせた、または等しいランダム化（RCT）。
結果には、生態学的な瞬間評価（EMA）を介して評価される毎日のステップカウントとメッセージの受け入れが含まれます。
因果推論フレームワークを適用して、各モデルの効果を評価します。
私たちの調査結果は、パーソナライズされた行動メッセージを通じて身体活動を促進する際のLLMベースのパーソナライズとCMAB適応の補完的な役割に関する新しい洞察を提供します。

要約(オリジナル)

Machine learning approaches, such as contextual multi-armed bandit (cMAB) algorithms, offer a promising strategy to reduce sedentary behavior by delivering personalized interventions to encourage physical activity. However, cMAB algorithms typically require large participant samples to learn effectively and may overlook key psychological factors that are not explicitly encoded in the model. In this study, we propose a hybrid approach that combines cMAB for selecting intervention types with large language models (LLMs) to personalize message content. We evaluate four intervention types: behavioral self-monitoring, gain-framed, loss-framed, and social comparison, each delivered as a motivational message aimed at increasing motivation for physical activity and daily step count. Message content is further personalized using dynamic contextual factors including daily fluctuations in self-efficacy, social influence, and regulatory focus. Over a seven-day trial, participants receive daily messages assigned by one of four models: cMAB alone, LLM alone, combined cMAB with LLM personalization (cMABxLLM), or equal randomization (RCT). Outcomes include daily step count and message acceptance, assessed via ecological momentary assessments (EMAs). We apply a causal inference framework to evaluate the effects of each model. Our findings offer new insights into the complementary roles of LLM-based personalization and cMAB adaptation in promoting physical activity through personalized behavioral messaging.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google