arXiv cs.AI· Soorya Ram Shimgekar, Pragya Singh, Shivam Sharma, Chandrayee Roy, Koustuv Saha, Antti Oulasvirta, Talayeh Aledavood·· 10 小时前AI 评分31
MEM-STRESS:基于可穿戴设备数据分层记忆的 AI 压力管理聊天机器人四周实地研究
MEM-STRESS: Longitudinal Field Study of a Wearable-Informed AI Chatbot for Stress Management
AI 导读
MEM-STRESS 将智能戒指的生理数据转化为包含每日记录、基线偏差和 LLM 生成摘要的分层记忆,用于驱动基于辩证行为疗法(DBT)的多轮对话。
正文 · AI 翻译
摘要:压力是日益普遍的困扰,由此产生了对易获取且个性化支持的需求。压力管理聊天机器人主要依赖用户自述,这可能无法捕捉其生理变化。可穿戴设备能捕捉这些变化,但聊天机器人很少将其作为跨对话的记忆。因此,我们提出 MEM-STRESS,一个压力支持聊天机器人,它将可穿戴戒指的生理数据转化为由每日记录、基线偏差、LLM 生成的摘要构成的分层记忆,并以此驱动基于辩证行为疗法(DBT)的多会话对话。在一项为期四周、60 名成年人参与的非随机研究中,我们将 MEM-STRESS(治疗组)与仅记住过往对话的聊天机器人(对照组)进行了比较。
记忆塑造了对话:治疗组聊天机器人引用了参与者的生理特征(例如,在 71.8% 的会话中涉及活动),并比对照组建议了更多与身体相关的 DBT 技能(14.5% 对 5.7%),治疗组参与者也使用了略多的与身体相关的词语(1.76% 对 1.45%)。治疗组参与者称赞个性化的频率是对照组的三倍(44.4% 对 14.3%),更频繁地报告对压力有了不同的反思(69.0% 对 46.4%,不显著),并描述对其压力信号获得了洞察。他们的感知压力较基线下降 14.2%,而对照组为 3.6%,尽管组间差异不显著。因此,将压力支持聊天机器人建立在分层生理记忆之上是可行的,并可能改善感知个性化,这为更大规模的随机研究提供了动力。
| 主题: | 人机交互(cs.HC);人工智能(cs.AI) |
| 引用为: | arXiv:2611.23691 [cs.HC] |
| (或 arXiv:2611.23691v1 [cs.HC] 为此版本) | |
| https://doi.org/10.48550/arXiv.2611.23691 由 DataCite 颁发的 arXiv DOI(待注册) |
提交历史
来自:Soorya Ram Shimgekar [查看电子邮件]
[v1]
2026年11月18日星期三 01:34:51 UTC(3,519 KB)
来源:arXiv cs.AI · arxiv.org