探索心血管疾病長者自我追蹤實踐以設計LLM支援健康資料解讀
arXiv - Human-Computer InteractionDuosi Dai, Pavithren V S Pakianathan, Gunnar Treff, Mahdi Sareban, Jan David Smeddinck, Sanna Kuoppam\"aki
研究揭示長者心血管疾病患者自我追蹤資料的情感與社會語境，提出LLM輔助健康資料解讀的設計方向。
AI 幫你先抓重點
AI 重點 1
LLM應以情感導向介面協助長者解讀資料，因為自我追蹤對他們而言是情緒化且解釋性強的活動。
滑鼠懸停看 AI 判斷理由
研究指出長者在追蹤過程中經歷情緒複雜性，資料呈現若缺乏情感支持，易造成資訊過載與焦慮，情感導向介面可降低負擔並提升參與度。
AI 重點 2
必須設計專家在迴路機制，確保資料解讀安全與準確，因為長者對AI持謹慎樂觀，且資料錯誤可能帶來健康風險。
滑鼠懸停看 AI 判斷理由
研究強調專家在迴路對於安全性與可信度至關重要，尤其在健康決策中，錯誤解讀可能導致錯誤行為，專家介入可維持信任與實用性。
核心研究發現
- 1
長者在自我追蹤時面臨情緒複雜性，需情感導向的資料呈現。
- 2
他們透過資料建立個人健康敘事，強調自主權與自我認同。
- 3
身體感受被視為首要指標，對數據的選擇性參與顯示對實際感受的重視。
- 4
共享資料時需平衡個人隱私與社會互動，呈現社會技術互動的複雜性。
- 5
對AI持謹慎樂觀態度，認為LLM可協助資料解讀，但需專家監督以確保安全。
對教育工作者的啟發
設計LLM介面時應加入情感提示與敘事建構功能，強化長者自主權與身體感受的呈現；提供對話式提示，促進臨床與社會情境中的討論；同時嵌入專家在迴路機制，確保資料解讀安全與準確，避免因誤導造成健康風險。這些策略可提升長者對自我追蹤的參與度與健康管理成效。
原始文獻資訊
- 英文標題：
- Exploring Self-Tracking Practices of Older Adults with CVD to Inform the Design of LLM-Enabled Health Data Sensemaking
- 作者：
- Duosi Dai, Pavithren V S Pakianathan, Gunnar Treff, Mahdi Sareban, Jan David Smeddinck, Sanna Kuoppam\"aki
- 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。