Individualized Machine Learning–Grounded Large Language Models for Within-Person Simulation of Physical Activity Psychological Mechanisms and Behavior in Adults with Prehypertension: A Methodological Evaluation
Deze methodologische evaluatie toont aan dat het inbedden van geïndividualiseerde, door machine learning afgeleide gedragsregels in prompts van grote taalmodellen de simulatie van intra-persoonlijke psychologische en fysieke activiteitspatronen bij volwassenen met prehypertensie verbetert, hoewel de hybride aanpak de voorspellende nauwkeurigheid van specifieke deelnemersgerichte machine learning-modellen voor gestructureerde sportresultaten niet overtrof.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Het gezond houden van het hart komt vaak neer op een eenvoudige, dagelijkse keuze: het bewegen van het lichaam. Voor volwassenen waarvan de bloeddruk al omhoog kruipt maar nog niet de grens naar volledige hypertensie heeft overschreden, is regelmatige lichaamsbeweging een van de krachtigste middelen om de progressie te stoppen. Toch is de beslissing om te bewegen zelden een vaste gewoonte. Het is een fluïde, dagelijkse onderhandeling tussen de stemming van een persoon, hun energie, het weer en de druk van een druk schema. De ene dag voelt iemand zich gemotiveerd en gaat diegene hardlopen; de volgende dag voelt diezelfde persoon zich moe en slaat diegene het over. Het begrijpen van deze dagelijkse verschuivingen is cruciaal voor artsen en onderzoekers die mensen actief willen houden, maar het vastleggen van het unieke ritme van het leven van een individu is uiterst moeilijk.
Om dit op te lossen, verkennen wetenschappers een nieuw soort digitale assistent. Stel je een computerprogramma voor dat de specifieke patronen van iemands leven kan leren en vervolgens als een spiegel kan fungeren, waarbij het simuleert hoe die persoon op een willekeurige dag zou denken en handelen. Dit is het doel van een recente studie naar volwassenen met prehypertensie. De onderzoekers wilden zien of ze een groot taalmodel — een type kunstmatige intelligentie die bekend staat om zijn vermogen om menselijke taal te begrijpen en te genereren — konden leren om dagelijks bewegingsgedrag te voorspellen. De twist was dat ze niet wilden dat de AI gokte op basis van algemene kennis. In plaats daarvan wilden ze de AI funderen in de harde data van die specifieke persoon, met behulp van een hybride aanpak die de patroonherkennende kracht van traditionele machine learning combineert met de conversationele flexibiliteit van moderne AI.
De studie begon met zesenveertig volwassenen die in Beijing wonen. Gedurende twaalf weken rapporteerden deze deelnemers hun dagelijks leven in detail. Ze hielden hun psychologische toestanden bij, zoals hun motivatie, zelfvertrouwen en gevoelens van sociale steun, naast hun werkelijke bewegingsgewoonten en externe factoren zoals het weer of of het een doordeweekse dag of een weekend was. Dit creëerde een rijk, dag-tot-dag verslag van hoe hun innerlijke wereld hun fysieke acties beïnvloedde. De onderzoekers namen deze gegevens en verdeelden ze in twee delen. Eerst gebruikten ze een standaard machine learning-tool om de geschiedenis van elk individu te analyseren en specifieke, persoonlijke regels te extraheren. Bijvoorbeeld, de tool zou kunnen leren dat voor één specifieke persoon een daling in zelfvertrouwen op een regenachtige dinsdag bijna altijd leidt tot het overslaan van een training, terwijl voor een ander een sterk gevoel van sociale steun een slecht humeur overstemt.
Deze persoonlijke regels werden vervolgens in een groot taalmodel gevoed. De onderzoekers ontwierpen een test waarbij de AI de taak kreeg om een simulator te zijn. Gegeven een momentopname van de vorige dag van een persoon en de context van de huidige dag, werd de AI gevraagd twee dingen te voorspellen: hoe de psychologische toestand van de persoon zou veranderen en of zij zouden bewegen. Het team testte verschillende manieren om instructies aan de AI te geven. Ze gaven de AI alleen de ruwe data, ze probeerden de data plus de persoonlijke regels te geven, en ze probeerden voorbeelden te tonen van hoe men de voorspelling moet maken voordat de AI de opdracht uitvoert. Ze testten ook verschillende versies van de AI om te zien welke het beste was in deze taak.
De resultaten boden een duidelijk beeld van wat wel en niet werkt in dit nieuwe veld. De studie vond dat de AI het best presteerde wanneer deze de volledige context van iemands leven kreeg en wanneer er voorbeelden werden getoond van hoe de voorspelling gedaan moest worden voordat er om werd gevraagd. Cruciaal was dat de voorspellingen van de AI veel nauwkeuriger en consistenter werden wanneer de onderzoekers de specifieke, uit data afgeleide regels over die persoon toevoegden. Wanneer de AI te horen kreeg: "Hier is hoe deze specifieke persoon meestal reageert op stress," was het veel beter in staat om de volgende stap te raden dan wanneer het moest vertrouwen op algemene kennis. De onderzoekers ontdekten ook dat het beschrijven van deze regels in gewone, natuurlijke taal beter werkte dan het gebruiken van complexe wiskundige formules. De AI begreep het verhaal van iemands gewoonten beter wanneer de regels als een narratief werden verteld in plaats van als een code.
De studie trok echter ook een duidelijke grens met betrekking tot wat deze technologie momenteel kan bereiken. Hoewel de AI aanzienlijk verbeterde wanneer deze werd gefundeerd in persoonlijke data, kon deze nog steeds de traditionele machine learning-modellen niet overtreffen bij de eenvoudige, gestructureerde taak van het voorspellen of iemand zou bewegen. Het traditionele model, dat specifiek is ontworpen voor dit type rekenwerk, bleef de meest nauwkeurige voorspeller. Dit suggereert dat het grote taalmodel geen vervanging is voor de gespecialiseerde tools die artsen kunnen gebruiken om risico's te berekenen. In plaats daarvan ligt de waarde in iets anders: het kan de complexe, verborgen patronen die in iemands gegevens worden gevonden, vertalen naar een leesbare, mensachtige simulatie.
De onderzoekers concludeerden dat deze hybride aanpak een veelbelovende stap voorwaarts is voor het creëren van "digitale tweelingen" — virtuele versies van mensen die gebruikt kunnen worden om verschillende gezondheidsstrategieën te testen zonder echt wereldig gevaar te lopen. Door de precisie van traditionele data-analyse te combineren met de flexibele, narratieve kracht van taalmodellen, kunnen wetenschappers uiteindelijk systemen bouwen die individuen helpen hun eigen gedrag te begrijpen. Deze systemen zouden op een dag gepersonaliseerd advies kunnen bieden dat minder aanvoelt als een generieke medische instructie en meer als een gesprek met een partner die de dagelijkse strijd en successen van de persoon echt kent. Voor nu blijft het werk een methodologische evaluatie, een bewijs van concept dat laat zien hoe kunstmatige intelligentie nauwkeuriger kan luisteren naar het unieke verhaal van een enkel menselijk leven.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.