Autor/autores:
Kumar AT , Wang C , Dong A...(et.al)
La entrevista motivacional (EM) es una técnica terapéutica que ha tenido éxito en ayudar a los fumadores a reducir el hábito de fumar, pero tiene una accesibilidad limitada debido al alto costo y la baja disponibilidad de médicos. Para abordar esto, el proyecto MIBot ha buscado desarrollar un chatbot que emule una sesión de EM con un cliente con el objetiv...
PUBLICIDAD
Estás viendo una versión reducida de este contenido.
Para consultar la información completa debes registrarte gratuitamente.
Tan sólo te llevará unos segundos.
Y si ya estás registrado inicia sesión pulsando aquí.
La entrevista motivacional (EM) es una técnica terapéutica que ha tenido éxito en ayudar a los fumadores a reducir el hábito de fumar, pero tiene una accesibilidad limitada debido al alto costo y la baja disponibilidad de médicos. Para abordar esto, el proyecto MIBot ha buscado desarrollar un chatbot que emule una sesión de EM con un cliente con el objetivo específico de llevar a un fumador ambivalente hacia la dirección de dejar de fumar.
Un elemento clave de una conversación de EM es la escucha reflexiva, donde un terapeuta expresa su comprensión de lo que el cliente ha dicho al pronunciar una reflexión que lo alienta a continuar su proceso de pensamiento. Las reflexiones complejas vinculan las respuestas del cliente con ideas y hechos relevantes para mejorar esta contemplación. Las reflexiones complejas retrospectivas (BLCR) vinculan la respuesta más reciente del cliente con una selección relevante de las declaraciones anteriores del cliente.
Nuestro chatbot actual puede generar reflexiones complejas , pero no BLCR, utilizando modelos de lenguaje grandes (LLM) como GPT-2, que permite la generación de mensajes únicos, similares a los humanos, personalizados para las respuestas del cliente.
Los avances recientes en estos modelos, como la introducción de GPT-4, proporcionan una forma novedosa de generar texto complejo al alimentar los modelos directamente con instrucciones e historial conversacional, lo que lo convierte en un enfoque prometedor para generar BLCR.
Este estudio tiene como objetivo desarrollar un método para generar BLCR para un chatbot para dejar de fumar basado en EM y medir la eficacia del método.
Los LLM como GPT-4 pueden ser estimulados para producir tipos específicos de respuestas a sus entradas "preguntándoles" con una descripción basada en inglés del resultado deseado. Estas descripciones se denominan indicaciones , y el objetivo de escribir una descripción que haga que un LLM genere el resultado requerido se denomina ingeniería de indicaciones .
Desarrollamos una instrucción para indicarle a GPT-4 que genere un BLCR, dadas las partes de la transcripción de la conversación hasta el punto donde se necesitaba la reflexión.
El enfoque se probó en 50 transcripciones de conversaciones con fumadores previamente recopiladas por MIBot y se utilizó para generar un total de 150 reflexiones. La calidad de las reflexiones se calificó en una escala de 4 puntos por 3 evaluadores independientes para determinar si cumplían con criterios específicos de aceptabilidad.
De las 150 reflexiones generadas, 132 (88%) cumplieron con el nivel de aceptabilidad. Las 18 restantes (12%) tenían uno o más defectos que las hacían inapropiadas como BLCR. Los 3 evaluadores coincidieron por pares en el 80% al 88% de estas puntuaciones.
El método presentado para generar BLCR es lo suficientemente bueno como para ser utilizado como una fuente de reflexiones en una conversación de estilo EM, pero necesitaría un verificador automático para eliminar las inaceptables.
Este trabajo ilustra el poder de los nuevos LLM para generar respuestas terapéuticas específicas para el cliente bajo el comando de una especificación basada en el lenguaje.
Para acceder al texto completo consulte las características de suscripción de la fuente original:https://mental. jmir. org/
