本文内容如下e-collection /主题问题:

聊天机器人和会话代理(189) 人工智能(673) 健康饮食教育的创新和技术(318) 体育活动教育的创新与科技(541) 理论框架和概念(179) 自然语言处理(492) 行为改变(549)
本文的预印本(早期版本)可在https://preprints.www.mybigtv.com/preprint/22845，首次出版．
设计人工智能聊天机器人促进身体活动和健康饮食的行为改变模型:观点

设计人工智能聊天机器人促进身体活动和健康饮食的行为改变模型:观点

设计人工智能聊天机器人促进身体活动和健康饮食的行为改变模型:观点

本文作者:

(张1、2 作者:Orcid； 吴柳正1 作者:Orcid； 帕特里克·兰格3. 作者:Orcid； 周瑜3. 作者:Orcid； 主管Yoshimi福冈4 作者:Orcid
文章 作者 引自(55) Tweetations (26) 指标

    的观点

    1美国加州大学戴维斯分校传播系

    2加州大学戴维斯分校公共卫生科学系，美国加利福尼亚州戴维斯市

    3.美国加州大学戴维斯分校计算机科学系

    4美国加州大学旧金山分校生理护理系

    通讯作者:

    张婧雯博士

    传播系

    加州大学戴维斯分校

    希尔兹大道一号

    戴维斯，加州，95616

    美国

    电话:1 530 754 1472

    电子邮件:jwzzhang@ucdavis.edu


    背景:由人工智能(AI)驱动的聊天机器人可以越来越多地参与自然对话，并与用户建立关系。将人工智能聊天机器人应用于生活方式改变计划是开发具有成本效益和可行的行为干预措施以促进身体活动和健康饮食的有前途的领域之一。

    摘要目的:这篇透视论文的目的是简要回顾聊天机器人在促进身体活动和健康饮食方面的应用，描述我们的研究团队基于广泛的跨学科研究开发的AI聊天机器人行为改变模型，并讨论伦理原则和考虑因素。

    方法:我们在2020年7月对四个数据库中报告聊天机器人改善身体活动和/或饮食的研究进行了初步搜索。我们总结了聊天机器人研究的特点，回顾了人类与人工智能通信研究的最新进展和自然语言处理方面的创新。基于发现的差距和机会，以及我们自己的临床和研究经验和发现，我们提出了一个人工智能聊天机器人行为改变模型。

    结果:我们的研究发现，人们对设计人工智能聊天机器人用于改变生活方式的理论指导和实践建议缺乏理解。本文提出的AI聊天机器人行为改变模型由以下四个部分组成，以提供这种指导:(1)设计聊天机器人特征并理解用户背景;(2)建立关系能力;(3)建立有说服力的会话能力;(4)评价机制和结果。本文提出了支持该模型的设计和评估选择的基本原理和证据。

    结论:随着人工智能聊天机器人越来越多地集成到各种数字通信中，我们提出的理论框架是概念化健康行为改变领域使用范围的第一步，并综合聊天机器人特征的所有可能维度，为干预设计和评估提供信息。需要更多的跨学科工作来继续开发人工智能技术，以提高聊天机器人的关系和说服能力，从而改变具有强烈道德原则的身体活动和饮食行为。

    医学与互联网学报，2020;22(9):e22845

    doi: 10.2196/22845

    关键字

    聊天机器人； 会话代理； 人工智能； 体育活动； 饮食； 干预； 行为改变； 自然语言处理； 沟通


    背景

    缺乏身体活动和不健康的饮食仍然是心血管疾病、糖尿病和肥胖等非传染性疾病的一些主要风险因素[1，2]和全世界的死亡[3.］．非传染性疾病占全世界死亡人数的十分之七[3.]并造成沉重的经济负担[4］．缺乏身体活动和不健康饮食的流行程度在各国内部和各国之间差别很大。美国是这些风险迅速上升的国家之一。近80%的美国成年人没有达到有氧运动和肌肉强化运动的指导标准[5]， 2016年超重或肥胖患病率达到71.6% [6］．因此，迫切需要开发具有成本效益和可行的生活方式干预措施，以降低患病率[7］．

    随着新兴的数字和通信技术的发展，改变生活方式的计划也在不断发展[8-13］．在过去的二十年里，已经发表了大量使用互联网和基于移动设备的行为干预的研究，以支持使用数字技术向不同人群提供干预材料的有效性[8，14］．近年来，人工智能(AI)和相关计算技术的应用已成为扩大医疗保健和干预措施领域的新前沿[15］．

    人工智能聊天机器人的定义与应用

    人工智能聊天机器人，也称为会话代理，采用对话系统，通过语音、文本或两者的方式与用户进行自然语言对话[16］．从概念上讲，人工智能聊天机器人的核心技术能力不同于具体的虚拟会话代理或化身，后者强调合成多模态信号(如图像、视频和声音)来模拟人类面对面的交流。在本文中，我们专注于开发人工智能聊天机器人的核心特征自然语言对话，以促进人类与聊天机器人之间更灵活的信息交换。会话能力可以从有约束的会话(即用户只能通过选择预定义的会话线来响应)到无约束的会话(即用户可以通过输入自然语言会话线来自由响应)。

    人工智能聊天机器人可以以移动应用程序的形式部署在智能手机上，从而使程序全天候可用。人工智能聊天机器人正在迅速改变包括商业在内的多个领域。17]，治理[18]，教育[19]和医疗保健[16，20.］．作为支持聊天机器人开发的顶级平台，截至2019年，亚马逊Alexa有超过10万个程序，Facebook Messenger有超过30万个活跃的聊天机器人，其中许多是用于医疗保健和福祉的。例如，2020年4月，世界卫生组织在Facebook Messenger上推出了一个聊天机器人，以打击错误信息，并提供有关COVID-19的即时和准确信息[21］．

    随着聊天机器人日益成为一种方便的数字沟通渠道，它们为大规模提供个性化的行为改变计划提供了许多机会，以预防疾病和促进健康。除了连接性和可行性之外，人工智能聊天机器人程序的优势主要在于开发和提供个性化干预的计算能力[22-24］．这种干预措施有可能克服传统非个性化干预模式中的一些局限性，因为它们是基于对个体特征和行为轨迹的理解而设计的，并且可以随着时间的推移，根据环境条件和个人认知和情绪状态逐步调整干预策略。换句话说，聊天机器人技术有可能通过自然的人类对话“理解”个人，说服个人改变，并为保持健康的行为建立持续的支持关系。

    用于医疗保健和生活方式改变计划的人工智能聊天机器人

    促进体育活动和健康饮食的聊天机器人旨在实现行为改变的目标，例如步行一定的时间和/或距离，遵循健康的饮食计划[25-29］．虽然没有关于聊天机器人用于生活方式改变项目的系统综述发表，但有一些关于聊天机器人的综述涵盖了从心理健康支持、戒烟到疾病诊断等医疗保健问题[16，30.］．由于目标行为的性质不同，一些聊天机器人主要用于提供信息和知识[31]，而另一些则是基于既定的心理健康干预项目，如认知行为疗法[32］．一项相关检讨[33]重点讨论了健康生活方式的具身会话代理的发展，并指出行为改变理论的解释和应用通常没有报道。

    以前的大多数聊天机器人研究要么依赖于有限状态(即由一系列预定步骤或状态组成的对话)，要么依赖于基于框架的系统(即对话不是预先确定的，而是取决于用户输入的内容和系统必须引出的信息)[34-36］．这样的系统在允许自由对话的能力上受到限制，主要是因为在涉及行为变化的领域中缺乏关于人与人之间对话的大型训练数据集。

    最近成功的大型预训练语言模型，如谷歌开发的变形金刚双向编码器表示(BERT) [37]和Open AI开发的生成式预训练-2 (GPT2) [38]，为将语言先验整合到下游自然语言处理(NLP)任务中提供了有希望的机会。例如，几篇论文表明，预训练模型可以为面向任务的对话生成量身定制，例如关于餐馆推荐和捐赠说服的对话[39，40］．BERT和GPT2是用大型文本数据集训练的巨型神经网络模型，使用自监督任务目标，例如恢复掩码令牌和预测下一个单词。由于这些模型在表示空间上操作，并且无法访问符号常识性信息，因此它们产生的输出对人类来说很难解释，并且可能在特定领域犯违反常识的错误。推进这一领域的一个总体方向是建立包含预训练模型的系统，以促进建立专门用于沟通和说服用户采用定期体育活动和健康饮食的对话。

    为了推动开发有效和道德的人工智能聊天机器人的健康行为改变科学，特别是在改善身体活动和健康饮食行为的背景下，我们提供了一个理论视角和模型来指导人工智能聊天机器人的发展和评估行为改变。本文的目的有三个方面:(1)简要总结人工智能聊天机器人在促进身体活动和健康饮食方面的应用现状;(2)提出本课题组开发的AI聊天机器人行为改变模型;(3)处理伦理考虑和原则。


    基于AI聊天机器人的身体活动和饮食干预初探

    为了提供基于聊天机器人的身体活动和饮食行为干预的现状背景，我们于2020年8月24日使用四个电子数据库(PubMed、EMBASE、Web of Science和ACM数字图书馆)进行了快速的初步文献综述。我们使用关键词组合来识别与人工智能聊天机器人的身体活动或饮食相关的同行评议研究(即[“聊天机器人”或“对话代理”或“对话系统”或“对话系统”或“对话系统”或“关系代理”)和[“身体活动”或“锻炼”或“饮食”或“营养”])。我们只收录了报道基于聊天机器人的身体活动或饮食干预的完整长度的英文文章。一名研究人员最初筛选研究标题和摘要以确定纳入的资格。随后，两位研究者回顾了纳入研究的全文，以进一步确定其相关性和编码研究特征。两位研究人员在整个编码过程中讨论了他们的分歧，并对最终结果达成了一致。

    总共检索了来自四个数据库的108篇文章，其中2020年发表的文章15篇，2019年发表的文章26篇，2018年发表的文章15篇，2017年发表的文章14篇，2016年发表的文章5篇，其余33篇来自2015年或之前。筛选后，101篇(93.5%)文章因以下原因被排除:评论或观点文章、范围评估或涉及身体活动和饮食以外的健康领域的实证研究(例如，聊天机器人协助诊断任务或提供心理健康干预或治疗)。

    人工智能聊天机器人干预的特征

    我们确定了七篇文章，报告了六种独特的聊天机器人可以增加身体活动和/或采用健康饮食(多媒体附录1）.两篇论文报道了同一款名为“提升你的活动水平助手”(Ally)的聊天机器人。一个协议[41]描述了研究设计，1篇报道了实际优化的随机对照试验(RCT) (n=274) [42评估Ally在帮助用户实现个性化每日步数目标方面的效果。结果表明，Ally提供的日常现金激励的干预成分增加了步骤目标的实现。然而，30%的参与者在研究过程中停止使用该应用程序，这对聊天机器人吸引参与者的能力提出了挑战。相反，另一项研究报告了一项随机对照试验(n=106)的结果[43来评估“健康生活方式指导”聊天机器人。研究结果表明，经过12周的干预，这个聊天机器人有效地增加了办公室职员的身体活动。其余4项研究采用前测后测设计。1项可行性研究(n=23) [44对行为指导聊天机器人苔丝(Tess)进行了测试，以帮助青少年患者应对体重管理和前驱糖尿病症状。患者积极参与聊天机器人，报告说他们在实现目标方面取得了积极进展，并认为聊天机器人很有帮助。一项概念验证研究[45报道了Paola聊天机器人，它提供有关体育活动和饮食的教育信息，每周签到，并回答用户的问题。结果显示，参与者报告了相关的体重减轻和饮食改善。另一项验证研究[46报道了CoachAI聊天机器人，它提供社交和量身定制的健康指导支持，并发现这个聊天机器人是有效的，特别是在高参与度的用户中。最后，一个名为Reflection Companion的聊天机器人提供每日自适应迷你对话和活动图表，以促进自我反思。这些对话成功地引发了自我反思，从而增加了动力，赋予了权力，并采取了体育活动行为(例如，步行去杂货店而不是开车)。26］．

    上述讨论的聊天机器人显示了初步证据，支持使用聊天机器人进行身体活动和饮食干预的有效性。值得注意的是，七分之四(57.1%)的研究报告称，聊天机器人是用于提供行为改变策略的唯一干预手段[26，43，44，46]，而其他三篇文章则将聊天机器人作为辅助组件，补充其他干预方法，如由人类促进者传递的消息和对话[41，42，45) (多媒体附录1）.这些被评估的聊天机器人被设计成具有不同的理论组成部分，它们在进行自然语言对话、建立关系和情感理解方面的能力也各不相同。总的来说，由于缺乏对理论框架细节的报道和有限的RCT评估，很难系统地评估不同的设计理论和因素对干预效果的影响。基于这一初步审查，我们发现人工智能聊天机器人在改变生活方式行为方面缺乏系统的思考。

    没有一项研究详细报告了他们是如何开发聊天机器人程序的，也没有一项研究讨论了有关透明度、隐私和潜在算法偏见等问题的伦理考虑。因此，目前尚不清楚如何评估聊天机器人的功效，聊天机器人对话影响用户的理论机制，以及潜在的伦理问题。为了解决这些差距，在下一节中，我们提出了我们的理论框架，描述了设计考虑因素，支持聊天机器人会话能力的核心理论组件，可用性和结果评估的多个维度，以及需要强调的道德原则，以指导这一新兴领域的发展。


    人工智能聊天机器人是一种说服性技术

    我们将行为改变聊天机器人概念化为一种劝导技术[14]，这比设计一个社交聊天机器人来参与一般的对话(例如，谈论电影或天气)要复杂得多[47］．说服性技术泛指旨在改变用户态度和行为的计算机系统[48］．因此，行为改变聊天机器人旨在通过参与对话、传递信息和有说服力的信息来改变用户的特定行为。在这方面，我们提出聊天机器人对话系统需要包含两个核心能力，包括与用户建立和维持专业关系的关系能力和改变行为的说服会话能力。下面，我们将描述一个理论框架，详细阐述这两种能力，并指导人工智能聊天机器人的设计，以促进身体活动和健康饮食。

    理论框架:人工智能聊天机器人行为改变模型

    图1展示了使用人工智能聊天机器人改善身体活动和饮食的理论框架。我们将这个框架命名为AI聊天机器人行为改变模型，该模型包括以下四个主要部分:(1)设计聊天机器人特征和理解用户背景;(2)建立关系能力;(3)建立有说服力的会话能力;(4)评价机制和结果。这四个高级组件按顺序指定，以指导聊天机器人的设计和评估。该模型基于对相关聊天机器人研究、人类-人工智能通信研究的最新发展、NLP的创新以及我们自己的临床和研究经验和发现的回顾[23，49-54］．

    ‎
    图1所示。人工智能聊天机器人行为改变模型。
    查看此图
    设计聊天机器人的特点和了解用户背景

    聊天机器人的设置是为了模仿人类对话的特征。设计聊天机器人需要同时考虑与系统相关和与代理相关的问题。在选择系统基础设施(如有限状态、基于框架和基于代理的基础设施)和媒体(如动画、视频、文本和语音)之后，可以指定聊天机器人的特征(如身份、名称和性别)。过去，研究人员曾尝试使用机器人[32]，动物[55]，或人的身份，在应用拟人化线索的程度上有所不同[56］．

    计算机是社会行为者(CASA)范式[57]和恐怖谷效应[58，59是研究人机交互最广泛使用的理论框架。CASA范式假设，随着人类对计算机系统熟悉程度的提高，人类可以与计算机系统建立积极的社会关系，而UVE则认为，人类对计算机系统的熟悉程度过高会带来怪异和不适的感觉。为了增加聊天机器人的社交存在感，一些研究将聊天机器人视为同伴，并给它们起了性别名称(例如，安娜代表女性)。27])。决定给聊天机器人取什么名字，以及是把它作为一个人类同伴，还是一个透明的机器人系统，都需要仔细考虑。我们最近的工作[52]表明，随着人工智能聊天机器人迅速采用人类的对话能力，聊天机器人的感知身份对说服结果和人际感知有重大影响。此外，我们的研究结果表明，如果聊天机器人的身份被清楚地呈现出来，用户的反应会更好。这可能是因为如果用户知道如何通过应用不同的沟通规范来回应对话伙伴，他们可以发展更多的能动性和控制力。例如，如果一个聊天机器人被赋予人类身份，并试图通过询问个人问题来模仿人类的询问，那么UVE就会被诱导出来，让人感到不舒服[52］．然而，也有相反的发现，一些研究表明，如果聊天机器人以机器人的形式出现，并且还能表达情绪，人们会做出更好的反应，透露更多的个人信息[60，61］．在各种应用环境中确定聊天机器人身份和披露的边界条件需要更多的研究来提供实证结果。

    设计个性化的聊天机器人系统需要了解每个用户的背景(如社会人口特征、生活环境和个性)、行为决定因素和习惯[62-65］．假设是个性化干预更有效，因为它根据每个用户的独特背景和需求定制行为改变策略和有说服力的信息，以实现个人优化的结果[63］．通常，第一个组件用于设置聊天机器人特征并收集有用的用户背景信息，以便为支持第二个组件和第三个组件的算法的开发提供信息。从理论上讲，用户背景信息可以作为上下文信息来开发算法，以生成个性化的关系信息和有说服力的信息。哪些特征可以用来定制哪些信息在很大程度上取决于目标人群的需求和偏好[66，67］．过去的文献研究了个性化影响的一些有用特征，例如使用不同的说服策略来吸引不同的个性特征[53，68]或根据行为习惯设定个性化的改变目标[42］．在身体活动聊天机器人干预领域，Kramer等人开发的Ally聊天机器人系统能够使用个性化信息欢迎每个参与者，并使用智能手机内置的加速度计跟踪个人的身体活动[42］．该系统特别设定了一个个性化的活动目标，略高于参与者当前的平均活动水平。沿着这条路线，控制系统工程在建模个体行为状态和适应个性化目标方面的应用是一种很有前途的方法[22］．

    建立关系能力

    为了使用AI聊天机器人作为社交会话代理，我们强调设计系统在聊天机器人和用户交互中的关系能力[29，69-72］．Bickmore等人广泛讨论了在行为改变主体中建立关系能力的原则，如使用社会对话、共情、元关系沟通(谈论关系)、幽默、自我表露、持久记忆和主体可变性[70］．他们的一项研究表明，与非关系型代理人相比，关系型代理人更受尊重、喜欢和信任，这导致了更积极的行为改变[29］．

    值得注意的是，大多数报告的关系代理都是具体化的虚拟代理，采用特定的拟人化线索和非语言行为，但使用受限制的脚本对话设计。目前还不太清楚，一个没有实体的聊天机器人仅仅通过自然语言对话就能实现什么样的关系能力。最近在日常社交聊天机器人中加速自然对话的努力已经取得了可喜的成果。一项研究报告称，伴侣聊天机器人(称为“Replika”)的用户认为聊天机器人像人一样，聪明，支持，能够促进社会联系。然而，uve也出现了，因为一些用户觉得聊天机器人的对话太自然了，因此“令人毛骨悚然”[73］．在另一个案例研究中，研究人员分析了亚马逊聊天机器人设备的用户评论，发现超过一半的评论者使用拟人化的名字“Alexa”来称呼聊天机器人，随着用户与该设备的社交互动增加，拟人化程度更高，这与产品满意度的提高有关。74］．这表明人们倾向于将Alexa拟人化，这与CASA范式是一致的。随着聊天机器人的自然会话能力继续快速提高，尽管存在其他技术限制，但关系能力建设很可能会带来更好的用户参与度和留存率。

    为了扩大聊天机器人的关系能力，需要在系统中构建会话规范和关系策略。一种方法是从纵向的人类对话中提取模式，并借鉴人际沟通和最新的人类与人工智能交流研究的理论[75，76］．例如，提供建议的综合模式[77，78]和沟通适应理论[79，80]，结合聊天机器人的持久记忆(如存储对话历史)和可变性(如改变对话内容和结构)的能力，可以为指导对话结构和语言、语义和句子风格的具体选择提供有用的见解。

    建立有说服力的对话能力

    聊天机器人提供的程序需要拥有传统方法中使用的核心知识结构和干预信息。在聊天机器人对话中构建行为改变信息首先需要管理有关体育活动和饮食指南的知识数据库。因此，需要运用相关的行为改变理论来生成主题对话模块(例如，目标设定、激励和证明社会支持)。常用的行为改变理论包括动机性访谈[81]，社会认知理论[56]，跨理论模型[82]和计划行为理论[83］．一种方法是基于解决每个理论概念(例如，人类干预者为参与者提供社会支持)来设计人与人之间的对话情节，并开发模拟这种对话的对话模块。

    除了传递基于理论的干预信息外，聊天机器人在引发行为改变方面的功效还可以通过采用有说服力的信息传递策略来增强[84］．这种想法源于公共卫生传播的工作路线，旨在整合行为改变理论和信息效应理论(即指导选择特定的有说服力的呼吁和信息特征以提高传播有效性的理论)[85］．有说服力的策略旨在激励行为改变，是细微的信息选择，以提高注意力、信任和参与度，或影响认知和情感反应。说服策略在塑造、改变和加强人们的态度和行为方面很重要。先前的研究表明，即使只是简单地就一种行为提出问题，也会导致这种行为的改变，这被称为“问题-行为”效应。例如，一项研究发现，向人们询问有关运动的问题会导致自我报告的运动增加[86］．尽管根据调查报告，这种影响很小，但它表明，问题可以起到提醒或提示行动的作用。因此，聊天机器人的一项任务是提出问题，让用户反思，然后激励他们改变行为。更有说服力的策略可以嵌入到理论主题对话模块中，例如使用经典的修辞诉求[53，68]，包括可信度呼吁(例如，展示目标受众信任的信息来源)、逻辑呼吁(例如，为体育活动和健康饮食的好处提供推理和证据)和情感呼吁(例如，利用恐惧、内疚或希望呼吁来激励动机)。此外，特定的说服性信息传递策略，如使用叙述和范例(例如，讲故事以提高自我效能)，也可以提高个人参与和参与。例如，为了增强动机访谈的方法，我们可以考虑使用可信度呼吁来增强用户对聊天机器人的信任，使他们更愿意透露想法。此外，在社会认知理论的基础上，我们可以考虑构建叙述性范例，通过谈论相关同伴的成功经验来提高被试的自我效能感。

    传统程序的一个常见限制是说服性信息的静态特性，因为不经常测量行为和用户的行为变化阶段。部署在智能手机上的聊天机器人可以利用生态瞬间评估方法、内置加速度计、GPS和其他传感器来解决这一限制，此外还可以通过智能手机从方便的简短调查中收集用户报告的数据。例如，研究表明，安装在智能手机上的加速度计可以准确地跟踪步数[9]并且GPS信号可以用来估计活动水平[87］．通过客观地跟踪和建模活动模式，开发机器学习模型来更新个性化目标和有说服力的信息变得可行。我们的研究表明，通过使用步数和身体活动强度记录，模型可以预测个体脱离干预的可能性[88］．此外，通过使用NLP和聚类分析，我们可以区分个体在对话中沟通的动机水平，以定制干预维持计划[23］．这些结果表明，人工智能聊天机器人不仅可以适应行为改变的目标和技术，还可以根据学习用户的自然语言输入来调整会话风格(例如情绪语调)，以提高信息的参与度和有效性。

    此外，移动卫生技术和功能的快速发展使及时适应干预措施的设计成为可能[24］．JITAI的设计结合了来自生态瞬间评估、内置加速度计、GPS和/或其他传感器的实时数据，将允许聊天机器人通过适应每个人的内部和外部变化，定制干预的时间、数量、内容和频率。然而，最近对医疗保健聊天机器人的范围审查表明，JITAIs在设计和评估医疗保健聊天机器人以及促进身体活动和健康饮食方面的使用很少，这表明未来的研究需要考虑使用更多的自适应方法[89］．

    评估机制和结果

    图1展示了评估AI聊天机器人程序的建议维度，包括用户体验、使用模式、会话质量、对关系能力的感知、中介、调节器和行为结果。可以考虑所有的维度来改进聊天机器人的设计，并理解聊天机器人程序如何改变行为的理论机制。

    用户体验关注用户对系统整体交互的主观评价。人们开发了许多量表来评估程序的便利性、满意度、有用性、有用性等。90］．使用模式记录有关用户与系统交互的客观记录数据，包括登录时间、使用事件的长度和对所提供消息的点击等记录[91］．会话质量可以通过用户对会话的连贯性、自然度和流畅度的主观评价来衡量。此外，对话的客观内容和语言分析可以用来评估对话的具体维度，如对话的长度和交换的信息量。关系能力感知评估用户对聊天机器人身份及其关系能力的感知。一些研究已经评估了用户将聊天机器人视为朋友的程度和它的可爱程度，以及它实现融洽关系、与人类情感相关和表现同理心的能力[92-94］．中介指的是有助于解释聊天机器人干预为何以及如何有效促进身体活动和健康饮食的因素。聊天机器人可以引导人们改变对自己的看法(例如，态度、自我效能和感知的社会支持)，并帮助人们塑造和形成新的行为选择和模式。这些中间变化对于解释聊天机器人干预的机制以及在未来设计更有效的干预措施非常重要。版主通常指的是用户特征，如性别、年龄、教育程度、种族和文化背景，这些子群体(如男性和女性)对聊天机器人干预的反应可能不同。数字技术的进步可能无意中加强或扩大现有的健康差距[95］．因此，评估适度效应对于记录潜在的数字鸿沟或缺乏数字鸿沟至关重要。最后，行为结果表示行为和健康的实际变化，包括饮食(例如，每天摄入五次水果和蔬菜[96])和体力活动的改变(如每日步数、有氧运动和肌肉强化活动[97])，以及对体重和血压等健康结果的后续影响。

    道德的考虑

    在设计用于生活方式改变项目的聊天机器人时，需要采用人工智能融入医疗保健的一般伦理原则和准则[15，98-One hundred.］．关键的道德考虑包括透明度和用户信任、保护用户隐私和最大限度地减少偏见。为了获得用户的信任，必须建立并传达可信度和透明度。简要介绍聊天机器人背后的研究团队的意图和专业知识，可能会提高其可信度。同样，向用户提供有关机器学习算法和数据处理的高级解释可以帮助增加透明度。用户隐私保护面临多重挑战。有新的研究表明，可以对多组匿名数据进行建模，以重新识别个人[101，102］．在聊天机器人干预的背景下，高标准的机密性和数据匿名化，如差异隐私[103]，以减少重新识别的风险。

    在说服性卫生技术的背景下，除了考虑上述人工智能的一般伦理原则外，需要纳入的另一个核心框架是生物伦理框架[104包括(1)非恶意，(2)善意，(3)尊重自治，以及(4)正义。Nonmaleficence指不造成任何损害或尽可能减少损害以达到有利结果的义务。善行表示为他人利益而行动的道德义务。建立对无害和有益的承诺意味着聊天机器人的目的是通过信息、知识、关怀和指导使用户受益，并采取积极措施防止和消除用户的伤害。例如，聊天机器人需要被设计成能够理解用户的表情，这些表情表明他们可能正在经历需要人类版主帮助的困难情况。具体来说，重要的是要预见并预先计划可能发生的技术和算法错误，关键是要有人工版主定期监测用户粘性，并能够在出现挑战情况时与用户联系。尊重自主权意味着用户有能力在理解的情况下有意识地行动，而不受聊天机器人的控制或操纵。这规定了应该向使用者提供有关干预目标、方法和潜在风险的完全透明的信息。考虑到人工智能和技术设计的复杂性，研究人员需要努力提供可理解的解释，用户可以理解，然后自己做出决定[105］．此外，用户应该在同意过程和同意表格中充分了解他们的数据将如何在干预期间甚至之后被用来改善聊天机器人，并应该有机会选择不以这种方式使用他们的数据。对正义的承诺要求研究人员考虑该技术对不同人群的公平访问和利益，特别是考虑社会经济地位和数字素养较低的高需求用户，或可能影响他们与聊天机器人互动的残疾用户。因此，建议服务不足的人群，特别是种族和少数民族群体，在设计和实施聊天机器人干预措施的各个阶段都有代表和参与，以确保卫生公平和社会正义。具体而言，研究人员需要考虑在构建对话系统时应用去偏策略[106，107]和社会感知算法设计[108］．考虑到使用聊天机器人改变行为的研究领域仍处于起步阶段，确保遵守伦理原则并纳入相应的评估指标是该领域向前发展的必要条件。


    本文对生活方式改变计划研究、行为科学和传播学研究的理论和研究、人工智能和自然语言处理的技术进展等方面的文献进行了综述和综合，并提出了AI聊天机器人行为改变模型。该模型的优势在于它考虑了广泛的聊天机器人相关组件，包括聊天机器人/用户特征、关系能力和有说服力的会话能力，并指出了需要评估的潜在中介和调节因素，以确定聊天机器人在改变身体活动和饮食行为以及健康结果方面的功效。

    据我们所知，这是第一个为设计和评估基于聊天机器人的身体活动和饮食行为干预提供指导的理论框架。我们将这个框架置于体育活动和饮食行为的领域中，因为这两种日常行为都是频繁的，需要持续的参与和监控。聊天机器人作为一种方便的对话工具，可以与人们实时联系，优化行为改变干预措施。

    为了推动科学的发展，需要系统的方法和跨学科的合作来设计有效的基于人工智能的聊天机器人体育活动和健康饮食计划。我们提出的理论框架是概念化工作范围的第一步，并综合聊天机器人特征的所有可能维度，为干预设计提供信息。然而，根据对目标人群进行的初步形成性研究，当应用于特定情境时，研究人员和从业人员可以优先考虑与目标人群最相关的某些特征[54］．从本质上讲，我们鼓励研究人员通过使用利益相关者包容和参与式设计方法与目标社区合作，选择和设计聊天机器人功能[109，110］．我们认为，这种包容性的方法是非常必要的，可以更有效地带来好处，同时最大限度地减少意外的不便和对社区的潜在危害。在这方面，我们并不是说每个新的聊天机器人程序都必须从头开始开发。以前建立的有效程序及其突出的功能可以合并并转化为聊天机器人程序，并在目标人群中进行试点测试。在此基础上，可以研究上述JITAI方法，以测试如何随着时间的推移自适应地将不同的特征应用于不同的个体。

    总之，我们的研究需要更多的跨学科工作，以继续丰富聊天机器人作为关系和说服代理的概念，并开发利用人工智能技术的方法，以强大的道德原则提高聊天机器人的关系和说服能力。我们呼吁未来的研究继续扩大和修改这一框架，并进行实证研究，以评估其在实际设计和评估干预措施中的适用性。

    致谢

    国家护理研究所资助项目(编号:K24NR015812);获加州大学旧金山分校资助(RAP团队科学奖);获得加州大学戴维斯分校的资助(医疗保健创新奖中的人工智能);以及英特尔的研究礼物。研究发起者在研究设计中没有任何作用;数据的收集、分析或解释;报告的撰写;或决定提交报告发表。

    利益冲突

    没有宣布。

    ‎
    多媒体附录1

    基于聊天机器人的身体活动和饮食干预综述。

    DOCX文件，30kb
    1. 李春华，李春华，李春华，李春华。不健康饮食、缺乏运动和肥胖:健康影响和成本效益。《柳叶刀》2010年11月20日;376(9754):1775-1784。［CrossRef] [Medline］
    2. Wagner K, Brath H.关于非传染性疾病发展的全球观点。Prev Med 2012年5月;54号货号:S38-S41。［CrossRef] [Medline］
    3. Bennett JE, Stevens GA, Mathers CD, Bonita R, Rehm J, Kruk ME，等。2030年非传染性疾病倒计时:非传染性疾病死亡率的全球趋势和实现可持续发展目标具体目标3.4的进展。《柳叶刀》2018年9月;392(10152):1072-1088。［CrossRef］
    4. Bloom DE, Cafiero ET, jan - llopis E, Abrahams-Gessel S, Bloom LR, Fathima S等。非传染性疾病的全球经济负担。世界经济论坛。2011年9月http://www3.weforum.org/docs/WEF_Harvard_HE_GlobalEconomicBurdenNonCommunicableDiseases_2011.pdf[2020-08-30]访问
    5. Clarke TC, Norris T, Schiller JS。提前发布基于2018年全国健康访谈调查数据的选定估计数。国家卫生统计中心，2019。URL:https://www.cdc.gov/nchs/nhis/releases/released201905.htm[2020-08-28]访问
    6. 李建军，李建军，李建军，等。中国成人肥胖与重度肥胖的研究进展:中国医学杂志，2017-2018。NCHS数据简报。2020。URL:https://www.cdc.gov/nchs/data/databriefs/db360-h.pdf[2020-08-29]访问
    7. Bertram M, Banatvala N, Kulikov A, Belausteguigoitia I, Sandoval R, Hennis A，等。利用经济证据支持政策决定，为非传染性疾病干预措施提供资金。《中国医学杂志》(英文版);2019;36(5):348。［CrossRef] [Medline］
    8. Vandelanotte C, m ller AM, Short CE, Hingle M, Nathan N, Williams SL，等。改善身体活动和饮食行为的电子健康和移动健康研究的过去、现在和未来。学报(自然科学版);2016;33(3):559 - 568。［CrossRef] [Medline］
    9. Case MA, Burwick HA, Volpp KG, Patel MS.智能手机应用程序和可穿戴设备跟踪身体活动数据的准确性。美国医学杂志2015年2月10日;313(6):625-626。［CrossRef] [Medline］
    10. 黄晓明，黄晓明，黄晓明，Montaña-Carreras。手机应用程序促进减肥和增加体育锻炼:系统评价和荟萃分析。医学互联网研究，2015年11月10日;17(11):e253 [J]免费全文] [CrossRef] [Medline］
    11. 张杰，Brackbill D, Yang S, Becker J, Herbert N, Centola D.支持还是竞争?在线社交网络如何增加身体活动:一项随机对照试验。预防医学报告2016;12:453-458 [j]免费全文] [CrossRef] [Medline］
    12. 张杰，Brackbill D, Yang S .， Centola D.网络社交媒体干预增加体育锻炼的疗效及因果机制:一项随机对照试验结果。预防医学杂志2015;2:651-657 [j]免费全文] [CrossRef] [Medline］
    13. 张杰，Calabrese C，丁杰，刘敏，张波。使用移动应用程序进行田间实验的优势与挑战:系统综述与案例研究。2017年9月05日;6(2):179-196。［CrossRef］
    14. 刘建军，刘建军，李建军，等。劝导技术对人类福祉的影响。In: IJsselsteijn WA, de Kort YA, Midden C, Eggen B, van den Hoven E，编辑。有说服力的技术。2006年有说服力。计算机科学课堂讲稿。柏林，海德堡:施普林格出版社;2006:1-5。
    15. Walsh C, Chaudhry B, Dua P, Goodman KW, Kaplan B, Kavuluru R，等。污名、生物标记物和算法偏见:人工智能精确行为健康的建议。JAMIA开幕2020年4月3日(1):9-15 [免费全文] [CrossRef] [Medline］
    16. Laranjo L, Dunn AG, Tong HL, Kocaballi AB, Chen J, Bashir R，等。会话代理在医疗保健:系统回顾。医学信息学报，2018,01;25(9):1248-1258 [J]免费全文] [CrossRef] [Medline］
    17. Adam M, Wessel M, Benlian A.基于人工智能的客户服务聊天机器人及其对用户遵从性的影响。电子市场2020年3月17:1-19。［CrossRef］
    18. [3]王晓明，王晓明，王晓明，等。基于人工智能的智能聊天机器人对政府与公民沟通的影响。政府信息季刊2019年4月;36(2):358-367。［CrossRef］
    19. 教育领域的聊天机器人——趋势、好处和挑战。2018年在:eLearning & Software for Education;2018年4月20日;布加勒斯特，第195-200页。［CrossRef］
    20. 李建军，李建军，李建军，等。人工智能(AI)主导的聊天机器人服务在医疗保健中的可接受性研究。数字健康2019;5:2055207619871808。［CrossRef] [Medline］
    21. Miner AS, Laranjo L, Kocaballi AB.聊天机器人在抗击COVID-19大流行中的作用。中华数字医学杂志2020;3(1):65 [j]免费全文] [CrossRef] [Medline］
    22. Conroy DE, Hojjatinia S, Lagoa CM, Yang C, Lanza ST, Smyth JM。身体活动对短信微干预反应的个性化模型:控制系统工程方法的概念验证应用。心理运动[j]; 2019;41 (1):172-180 [免费全文] [CrossRef] [Medline］
    23. 杨建军，刘建军，刘建军。基于移动应用程序和加速度计的干预对运动的影响:一项随机对照试验。JMIR移动健康Uhealth 2018 Jun 20;6(6):e10042 [j]免费全文] [CrossRef] [Medline］
    24. Hardeman W, Houghton J, Lane K, Jones A, Naughton F.适时适应性干预(JITAIs)促进体育锻炼的系统综述。国际行为与营养物理法案2019年4月03日;16(1):31 [免费全文] [CrossRef] [Medline］
    25. Gabrielli S, Marie K, Corte C. SLOWBot(聊天机器人)生活方式助手。参见:第十二届EAI医疗普及计算技术国际会议论文集。2018发表于:PervasiveHealth '18;2018年5月24日;纽约，美国，第367-370页。［CrossRef］
    26. 肖磊，张建军，张建军，等。ACM交互过程。暴徒。可穿戴无处不在的技术2018年07月05日;2(2):1-26。［CrossRef］
    27. 李建军，李建军，李建军，等。开源行为健康干预平台MobileCoach移动聊天应用的设计与评估编辑:Maedche A, vom broke J, Hevner A。设计数字化转型。DESRIST 2017。计算机科学课堂讲稿。Cham，瑞士:Springer;2017.
    28. 李建军，刘建军。一种基于人工智能的体重减轻方法:对超重和肥胖成年人的纵向观察研究。JMIR糖尿病2017 11月01日;2(2):e28 [j]免费全文] [CrossRef] [Medline］
    29. Sillice MA, Morokoff PJ, Ferszt G, Bickmore T, Bock BC, Lantini R，等。使用关系代理促进运动和防晒:两种干预措施对参与者经验的评估。医学互联网研究，2018;07;20(2):e48 [J]免费全文] [CrossRef] [Medline］
    30. Pereira J, Díaz Ó。使用健康聊天机器人改变行为:一项地图研究。J Med system 2019 april 04;43(5):135。［CrossRef] [Medline］
    31. 刘建军，刘建军，刘建军，等。SHIHbot:提供HIV/AIDS性健康资讯的Facebook聊天机器人。提交地点:第18届SIGdial年度对话与对话会议;2017;saarbr cken，德国，第370-373页。［CrossRef］
    32. 菲茨patrick KK, Darcy A, Vierhile M.使用全自动对话代理(Woebot)对有抑郁和焦虑症状的年轻人进行认知行为治疗:一项随机对照试验。中华医学会心理健康杂志2017年06月;4(2):e19 [j]免费全文] [CrossRef] [Medline］
    33. 李建军，张建军，张建军，等。健康生活方式会话代理的研究进展。[J]医学互联网研究，2020年2月6日;22(2):e14058 [J]免费全文] [CrossRef] [Medline］
    34. 健康行为的虚拟训练与指导:以正念冥想训练为例。中华病毒学杂志;2013;42 (2):160-166 [j]免费全文] [CrossRef] [Medline］
    35. Lucas GM, Rizzo A, Gratch J, Scherer S, Stratou G, Boberg J，等。报告心理健康症状:用虚拟真人采访者打破护理障碍。前面。机器人。人工智能2017年10月12日;4:1-9。［CrossRef］
    36. Philip P, Micoulaud-Franchi JA, Sagaspe P, Sevin ED, Olive J, Bioulac S，等。虚拟人作为一种新的诊断工具，在重度抑郁症领域进行概念验证研究。科学通报2017年2月16日;7(12):42656 [j]免费全文] [CrossRef] [Medline］
    37. Devlin J, Chang M, Lee K, Toutanova K. BERT:基于深度双向变换的语言理解预训练。见:NAACL-HLT 2019会议录。计算语言学协会北美分会第17届年会:人类语言技术(NAACL-HLT 2019);2019年6月7日;明尼苏达州明尼阿波利斯市。
    38. 吴军，刘建军，刘建军，刘建军。基于语言模型的多任务学习算法研究。OpenAI博客，2019。URL:https://d4mucfpksywv.cloudfront.net/better-language-models/language_models_are_unsupervised_multitask_learners.pdf[2020-08-29]访问
    39. 吴强，张勇，李勇，于忠。基于大规模预训练语言模型的角色交替对话模型。出来了。2019.URL:https://arxiv.org/abs/1910.03756[2020-08-29]访问
    40. 顾军，吴强，吴超，石伟，于忠。面向任务的对话生成预训练模型。出来了。2020.URL:https://arxiv.org/pdf/2004.13835.pdf[2020-08-28]访问
    41. 李建军，李建军，李建军，等。调查干预成分和探索智能手机应用程序促进身体活动的接受状态:一项微随机试验方案。中国生物医学工程学报(英文版);2019;8(1):1158 - 1158 [j]免费全文] [CrossRef] [Medline］
    42. Kramer J, k nzler F, Mishra V, Smith S, Kotz D, Scholz U，等。智能手机行走应用的哪些组件可以帮助用户达到个性化的步数目标?一个优化试验的结果。中国生物医学工程学报[j]; 2011; 31 (7):518-528 [j]免费全文] [CrossRef] [Medline］
    43. 朴敏，刘海，李海，金杰。使用健康生活方式指导聊天机器人App促进上班族爬楼梯习惯:探索性随机对照试验。[j] Mhealth Uhealth 2020年5月19日;8(5):e15085 [j]免费全文] [CrossRef] [Medline］
    44. Stephens TN, Joerin A, rawws M, Werk LN。通过人工智能行为指导聊天机器人苔丝支持儿童肥胖和前驱糖尿病治疗的可行性。中华医学杂志，2019;9(3):440-447。［CrossRef] [Medline］
    45. Maher CA, Davis CR, Curtis RG, Short CE, Murphy KJ。由人工智能虚拟健康教练提供的身体活动和饮食计划:概念验证研究。[j] Mhealth Uhealth 2020;8(7):e17558。免费全文] [CrossRef] [Medline］
    46. 王毅，王玉华。健康教练辅助会话代理的有效性研究。方法中华医学杂志，2019;58(1):9-23。［CrossRef] [Medline］
    47. 沈宏，何鑫，李丹。从Eliza到小冰:社交聊天机器人的挑战与机遇。信息技术与电子工程，2018,8(1):10-26。［CrossRef］
    48. 福格BJ。劝导技术:用计算机改变我们的想法和行为。旧金山:摩根·考夫曼;2002.
    49. 李建平，李建平，李建平，等。一种基于App的糖尿病预防干预方法:一项随机对照试验。中华预防医学杂志2015年8月;49(2):223-237 [J]免费全文] [CrossRef] [Medline］
    50. Fukuoka Y, Haskell W, Lin F, Vittinghoff E.手机应用程序结合简短的面对面身体活动咨询对缺乏运动的女性的短期和长期影响:mPED随机临床试验。JAMA网络开放2019年5月03日;2(5):e194281 [免费全文] [CrossRef] [Medline］
    51. Fukuoka Y, Vittinghoff E, Hooper J.拉丁美洲人使用商业移动应用程序进行减肥干预- adelgaza试验。中华医学杂志2018年9月8日;8(5):714-723 [j]免费全文] [CrossRef] [Medline］
    52. 石伟，王旭，吴勇，张军，于忠。说服性对话的影响:测试机器人身份和询问策略。在:2020年中国计算机学会计算系统中人因会议上发表;2020年4月30日;夏威夷，瓦胡岛，第1-13页。［CrossRef］
    53. 王欣，石伟，金荣，吴勇，杨松，张杰。面向公益的说服:面向社会公益的个性化说服对话系统。在:计算语言学协会年会上发表于:计算语言学协会年会上;2019年8月2日;佛罗伦萨，意大利第5635-5649页。［CrossRef］
    54. 张杰，张杰。基于移动应用程序的非洲裔美国年轻女性小组体育活动干预:一项随机对照试验科学导读2019;20(6):863-872。［CrossRef] [Medline］
    55. 李建军，李建军。基于人机交互的人机界面研究。ACM Trans computer Hum Interact 2004;11(3):300-328。［CrossRef］
    56. philip E, Zhao X, Ullman D, Malle B.什么是类人?:使用ABOT数据库分解机器人的类人外观。2018年发表于:ACM/IEEE人机交互国际会议;2018年3月8日;芝加哥，伊利诺伊州，第105-113页。［CrossRef］
    57. 《媒体等式:人们如何像对待真实的人和地方一样对待电脑、电视和新媒体》。英国剑桥:剑桥大学出版社;1996.
    58. M . Mori, K . MacDorman, K . Kageki N.《恐怖谷》。IEEE机器人。自动售货机。2012年3月;6月;19(2):98-100。［CrossRef］
    59. Kätsyri J, Förger K, Mäkäräinen M, Takala T.不同恐怖谷假设的经验证据综述:知觉不匹配作为通往恐怖谷的一条道路的支持。前沿心理杂志2015;12 (12):390 [j]免费全文] [CrossRef] [Medline］
    60. 李建军，李建军，李建军。网络聊天机器人对自我表露的心理、关系和情感影响。中国生物医学工程学报，2018;38 (4):712-733 [J]免费全文] [CrossRef] [Medline］
    61. 李勇，黄勇，傅伟。“我听到你，我感觉到你”:通过聊天机器人鼓励深度自我表露。在:2020年中国计算机学会计算系统中人因会议上发表;2020年4月30日;夏威夷，瓦胡岛，第1-12页。［CrossRef］
    62. Vandelanotte C, De bourdeaudhuii, Brug J.连续和同步交互式计算机定制干预的两年随访:增加体育锻炼和减少脂肪摄入。安。behav。中华医学杂志2007;33(2):213-219。［CrossRef] [Medline］
    63. 克雷布斯P，普罗查斯卡JO，罗西JS。一项针对健康行为改变的计算机定制干预措施的荟萃分析。预诊2010年9月;51(3-4):214-221 [j]免费全文] [CrossRef] [Medline］
    64. 李建军，李建军，李建军，等。个性化说服技术的研究进展。国际人机研究学报，2015;77:38-51。［CrossRef］
    65. 李建军，张建军，张建军，张建军。基于智能感知的个性化说服研究。编辑:Keyson DV环境智能。2011年AmI。计算机科学课堂讲稿。柏林，海德堡:施普林格出版社;2011:205 - 209。
    66. Kreuter MW, Wray RJ。量身定制和有针对性的卫生传播:加强信息相关性的战略。[J] .中华卫生杂志，2003;27(增刊):327 - 331。［CrossRef] [Medline］
    67. Bull FC, Kreuter MW, Scharff DP。量身定制、个性化和一般健康信息对身体活动的影响。患者教育与辅导1999;36(2):181-192。［CrossRef] [Medline］
    68. Lukin S, Anand P, Walker M, Whittaker S.论据的力量在旁观者的眼中:说服中的听众效应。在:计算语言学协会欧洲分会第15届会议论文集。2017提交于:计算语言学协会欧洲分会第15届会议;2017;瓦伦西亚,西班牙。［CrossRef］
    69. Velicer W, Redding CA, Blissmer B, Babbin SF, Paiva A, Bickmore T，等。在针对多种危险因素的定制干预中使用关系代理:初步的12个月结果。中国生物医学工程学报，2013;22(3):391 - 391。
    70. Bickmore TW, Caruso L, Clough-Gorr K, hereen T.“这就像你和朋友交谈一样”，老年人的关系代理。与计算机交互2005;17(6):711-735。［CrossRef］
    71. 李建军，李建军，李建军，等。基于关联代理的少数民族群体研究。中国生物医学工程学报(英文版);2013;31(5):559 - 561。
    72. 尹林，李建军，李建军，李建军，等。服务不足人群干预参与的关系因子研究。中国生物医学工程学报(英文版);2011;41(vol . 30): 397。
    73. 王晓东，王晓东，王晓东，王晓东，王晓东。日常情境下同伴聊天机器人的社会支持用户体验:主题分析[J]互联网研究与发展，2020,30 (3):357 - 357 [J]免费全文] [CrossRef] [Medline］
    74. Purington A, Taft J, Sannon S, Bazarova N, Taylor S。“Alexa是我的新闺蜜”:亚马逊Echo的社会角色、用户满意度和人格化。在:CHI会议扩展摘要on Human Factors In Computing Systems;2017;科罗拉多州丹佛2853-2859页。［CrossRef］
    75. 牟勇，徐凯。媒介不平等:比较最初的人类与人类与人工智能的社会互动。计算机在人类行为2017年7月72:432-440。［CrossRef］
    76. 李建军，李建军。人工智能介导的沟通:概念、研究议程和伦理思考。计算机学报，2020;25(1):89-100。［CrossRef］
    77. 冯斌。支持性互动中综合建议模型的检验。生态学报，2009;35(1):115-129。［CrossRef］
    78. 冯斌，李建平，李建平，冯斌。人际交往中建议反应理论的实证研究。传播研究2013;11月12日;43(2):211-231。［CrossRef］
    79. 张建军，张建军，张建军。沟通适应理论的研究进展。编辑:贾尔斯·H。交际适应理论:跨语境协商个人关系和社会身份。英国剑桥:剑桥大学出版社;2016:192 - 210。
    80. 护患互动的沟通适应理论分析:对课程设计的启示。国际语言学报，2017;28(1):71-85。［CrossRef］
    81. 动机性访谈:帮助人们改变。纽约:吉尔福德出版社;2012.
    82. Prochaska JO, Velicer WF。健康行为改变的跨理论模型。[J]健康促进1997年3月21日;12(1):38-48。［CrossRef] [Medline］
    83. [3]李建平，李建平。基于理性行为的行为预测与行为改变。纽约:心理学出版社;2011.
    84. 《说服手册:理论与实践的发展》。加利福尼亚州千橡市:Sage Publications;2002.
    85. 整合信息效应与行为改变理论:组织评论与未解问题。中国生物医学工程学报(英文版);2006;31(5):569 - 579。［CrossRef］
    86. Williams P, Block LG, Fitzsimons GJ。简单地询问有关健康行为的问题会增加健康和不健康的行为。社会影响2006;1(2):117-127。［CrossRef］
    87. 李建军，李建军，李建军，李建军，等。基于GPS、加速度计和机器学习算法的交通出行行为识别。前沿公共卫生2014;12 (12):36 [j]免费全文] [CrossRef] [Medline］
    88. 周m, Fukuoka Y, Goldberg K, Vittinghoff E, Aswani A.应用机器学习预测未来体育锻炼计划的依从性。中国医学杂志2019年8月22日;19(1):169 [j]免费全文] [CrossRef] [Medline］
    89. 张建军，张建军，张建军，张建军。医疗聊天机器人的研究进展。[J]医学互联网研究2020;05;22(6):e18301 [J]免费全文] [CrossRef] [Medline］
    90. Bangor A, Kortum PT, Miller JT。系统可用性量表的实证评价。国际人机交互学报2008;30;24(6):574-594。［CrossRef］
    91. 邓涛，Kanthawala S，孟健，彭伟，Kononova A，郝强，等。通过日志跟踪和自我报告来衡量智能手机的使用情况和任务切换。2018年4月25日;7(1):3-23。［CrossRef］
    92. 刘B，孙达斯。机器是否应该表达同情和同理心?健康咨询聊天机器人的实验。网络心理行为学报，2018;21(10):625-636。［CrossRef] [Medline］
    93. 亚马逊Alexa的拟人化:最好的朋友还是一个没有头脑的伴侣。2018年人类信息交互与检索大会;2018年3月15日;New Brunswick, New Jersey第265-268页。［CrossRef］
    94. 李建军，李建军。社会对话与对话主体的关系。见:van Kuppevelt JC, dybkk ær L, Bernsen NO，编辑。自然多模态对话系统研究进展。荷兰多德雷赫特:斯普林格;2005:23-54。
    95. 李建军，李建军，李建军，李建军。中国健康素养与信息技术发展的关系研究[j]。医学互联网研究，2016 Oct 04;18(10):e264 [J]免费全文] [CrossRef] [Medline］
    96. Kim DJ, Holowaty EJ。简要，有效的调查工具测量水果和蔬菜的摄入量在成人:回顾。预防医学2003;36(4):440-447。［CrossRef］
    97. 李建军，李建军，李建军，李建军。运动与久坐行为的客观测量:新数据回顾。中华儿科杂志;2008;32(7):614-619。［CrossRef] [Medline］
    98. [j] .机器人与人工智能的未来与伦理展望。前面。机器人。人工智能2018年1月15日;4:1-10。［CrossRef］
    99. 李建军，张建军，张建军，等。人——一个良好人工智能社会的道德框架:机遇、风险、原则和建议。Minds Mach (Dordr) 2018年11月26日;28(4):689-707 [免费全文] [CrossRef] [Medline］
    100. Kizilcec R.多少信息?透明度对算法界面信任的影响。发表于:2016年CHI计算系统中人因会议;2016年5月12日;圣何塞，加利福尼亚州第2390-2395页。［CrossRef］
    101. Na L, Yang C, Lo C, Zhao F, Fukuoka Y, Aswani A.基于机器学习的大型国家身体活动数据集中个体再识别的可行性。JAMA Netw Open 2018 Dec 07;1(8):e186040 [j]免费全文] [CrossRef] [Medline］
    102. McCoy TH, Hughes MC.随着数据的增长保护患者的机密性:重新识别身体活动数据能力的含义。JAMA网络公开赛2018年12月07日;1(8):e186029 [免费全文] [CrossRef] [Medline］
    103. 王志强，王志强。差分隐私的算法基础。理论计算机科学，2014;9(3-4):211-407。［CrossRef］
    104. 恩格尔哈特H.生命伦理学的基础。纽约州纽约:牛津大学出版社;1996.
    105. J.说服技术的自愿性。In: Bang M, Ragnemalm EL，编辑。有说服力的技术。健康与安全设计。2012年有说服力。计算机科学课堂讲稿。柏林，海德堡:施普林格出版社;2012:123 - 132。
    106. 刘海，达肯杰，范伟，刘海，刘忠，唐杰。性别重要吗?在对话系统中实现公平。出来了。2020.URL:https://arxiv.org/abs/1910.10486[2020-08-29]访问
    107. Henderson P, Sinha K, Angelard-Gontier N, Ke N, Fried G, Lowe R，等。数据驱动对话系统中的伦理挑战。在2018年AAAI/ACM人工智能、伦理与社会会议上发表:2018年AAAI/ACM人工智能、伦理与社会会议;2018年2月3日;新奥尔良，路易斯安那第123-129页。［CrossRef］
    108. 罗思。A.伦理算法:社会意识算法设计的科学。纽约州纽约:牛津大学出版社;2019.
    109. Sjöberg C, Timpka T.卫生保健信息系统的参与式设计。中华医学杂志，1998;5(2):177-183 [J]免费全文] [CrossRef] [Medline］
    110. 李建军，张建军，李建军，等。参与式设计在卫生科学研究中的应用。2007年1月;17(1):122-130。［CrossRef] [Medline］

    ‎
    人工智能:人工智能
    伯特:来自变压器的双向编码器表示
    之家:计算机是社会行动者
    GPT2:生成Pre-Training-2
    吉泰:及时的适应性干预
    非传染性疾病:非传染性疾病
    NLP:自然语言处理
    个随机对照试验:随机对照试验
    UVE:恐怖谷效应

    G·艾森巴赫编辑;提交27.07.20;J . Xue, Y . Liao, E . Sezgin, K . Schneider;对作者的评论19.08.20;20年9月3日收到修订版本;接受17.09.20;发表30.09.20

    版权

    ©张静雯，吴柳正，帕特里克·兰格，于周，福冈吉美。原载于《医学互联网研究》(//www.mybigtv.com)， 2020年9月30日。

    这是一篇在知识共享署名许可(https://creativecommons.org/licenses/by/4.0/)下发布的开放获取文章，该许可允许在任何媒介上不受限制地使用、分发和复制，前提是原始作品首次发表在《医学互联网研究杂志》上，并适当引用。必须包括完整的书目信息，到//www.mybigtv.com/上原始出版物的链接，以及版权和许可信息。
    Baidu
    map