用於自適應健康儀表板的持續行為合成：整合顯性偏好、空間重組與注意力分配訊號的 LLM 架構
arXiv - Human-Computer InteractionTiziano Santilli, Mina Alipour, Mahyar T. Moghaddam
提出一種利用大型語言模型（LLM）作為行為合成引擎，從稀疏且異質的使用者互動訊號中即時生成自適應介面的技術架構。
AI 幫你先抓重點
AI 重點 1
LLM 從「數據處理器」轉變為「行為合成引擎」的角色定位
滑鼠懸停看 AI 判斷理由
傳統自適應介面依賴預設規則或大量數據，而此研究展示了 LLM 如何在數據稀疏（Sparse Data）的情況下，透過理解行為意圖來進行即時設計決策，這為開發低門檻、高靈活性的人機互動系統提供了新範式。
AI 重點 2
多維度行為訊號的整合能力
滑鼠懸停看 AI 判斷理由
將顯性回饋、空間佈局與隱性注意力（停留時間）結合，能更全面地捕捉使用者的認知負荷與偏好，這對於設計能與使用者進行「深度對話」的智慧化學習或監控介面至關重要。
核心研究發現
- 1
該架構能整合三種行為通道：單一元件的顯性微回饋、透過拖放互動推論出的空間優先順序，以及透過懸停停留時間測量的注意力投入。
- 2
系統透過分層提示工程（Layered Prompt Engineering）解決技術挑戰，將低階互動模式轉化為高階設計決策，包含時間脈絡、行為提取與用戶檔案合成。
- 3
研究透過個人健康監測領域進行實證，成功管理了 14 種不同的健康指標，並運用 7 種不同的視覺化組件模態進行介面適應。
- 4
實驗證明該方法能有效調和多個同時發生的行為訊號，克服了傳統基於規則系統或需要大量歷史數據的機器學習方法之限制。
對教育工作者的啟發
雖然本文聚焦於健康監測，但其「從行為訊號推論意圖」的邏輯可應用於教育科技。例如，在數位學習平台中，系統可根據學生在教材上的停留時間（注意力）、對特定功能的點擊（偏好）或學習工具的重新排列（學習策略），即時調整學習介面的呈現方式。這能創造出更符合學生自主學習（SRL）節奏的環境，減少學生在尋找資源時的認知負荷，讓介面能隨著學習進度的變化而動態演進。
原始文獻資訊
- 英文標題：
- Continuous Behavioral Synthesis for Adaptive Health Dashboards: An LLM-Mediated Architecture Integrating Explicit Preference, Spatial Reorganization, and Attention Allocation Signals
- 作者：
- Tiziano Santilli, Mina Alipour, Mahyar T. Moghaddam
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。