探索強化學習在臨床心理健康與日常健康支持之間流暢過渡的應用
arXiv - Human-Computer InteractionTony Wang, Qian Yang
利用強化學習動態選擇日誌提示，證實其能提升長期參與度並揭示需調整介入強度以避免倦怠。
AI 幫你先抓重點
AI 重點 1
RL可個性化介入序列，但效益多在介入後顯現，提示需設計後續監測機制。
滑鼠懸停看 AI 判斷理由
此洞察顯示RL不僅在即時干預有效，亦能在介入結束後持續影響參與度，提醒設計者重視長期追蹤與後續支持。
AI 重點 2
參與模式差異顯示RL生成提示能持續激發參與，而靜態提示易導致倦怠，凸顯自適應強度的重要性。
滑鼠懸停看 AI 判斷理由
了解此差異可指導系統在不同階段調整提示頻率與內容，降低退出率並提升治療成效。
核心研究發現
- 1
RL優化的介入序列在介入結束後才顯現益處，提示需設計退步階段。
- 2
參與者對RL生成提示的高參與度隨時間加深，反之固定提示易造成倦怠與退出。
- 3
系統需在介入強度調整上做平衡，決定何時降低以防倦怠，何時保持以促進治療成效。
對教育工作者的啟發
實務工作者可先以情境分支機器為基礎，為使用者動態挑選臨床與日常健康提示，並在介入結束後設置退步階段以持續監測參與度。觀察使用者對RL生成提示的參與變化，若持續提升則維持強度；若出現倦怠跡象則即時降低頻率或改用固定提示。此種自適應節奏能減少退出率，並在長期內提升治療成效。
原始文獻資訊
- 英文標題：
- Exploring Reinforcement Learning for Fluid Transitions Between Clinical Mental Healthcare and Everyday Wellness Support
- 作者：
- Tony Wang, Qian Yang
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- openai/gpt-oss-20b
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。