captAIn
Context-Aware artificial intelligence for Personalised just-in-Time interventions in physical ActIvity motivatioN
Körperliche Inaktivität ist ein entscheidender Faktor für verschiedene chronische Gesundheitsprobleme und eine verminderte allgemeine Lebensqualität. Just-in-Time Adaptive Interventions (JITAIs) nutzen Echtzeitdaten, um personalisierte und zeitlich abgestimmte Impulse zu geben, die eine Verhaltensänderung genau dann unterstützen, wenn sie am wirkungsvollsten ist. Diese Dissertation untersucht, wie die Integration kontextbewusster Technologien (z. B. Stimmung, Standort, Stresslevel und soziales Umfeld) mit fortschrittlichen KI-Techniken das Design von JITAIs verbessern kann, um langfristiges Engagement und eine Steigerung der körperlichen Aktivität zu fördern.
Forschungsziele
- Entwicklung adaptiver Modelle, die auf individuelle psychologische Merkmale und kontextuelle Faktoren in Echtzeit reagieren
- Bewertung hybrider KI-Techniken zur Vorhersage der effektivsten Strategien zur Verhaltensänderung
- Implementierung und Evaluation eines KI-gestützten Interventionssystems in realen Umgebungen
Projektübersichten
- Theory of Mind & Persönlichkeitsmerkmale
Untersuchung, ob die Anpassung von Interventionen an die Big Five-Persönlichkeitsmerkmale die Wahrnehmung von Personalisierung und Empathie in JITAIs verbessern kann. - Kontextuelle Multi-Armed Bandits (cMAB) + Große Sprachmodelle (LLMs)
Dieses Projekt kombiniert kontextuelle Multi-Armed Bandits mit großen Sprachmodellen, um geeignete Behavior Change Techniques (BCTs) basierend auf dem aktuellen Nutzerkontext auszuwählen und personalisierte motivationale Nachrichten zu generieren. Die Studie wird in Zusammenarbeit mit dem Department of Psychology and Statistical Sciences der University of Toronto durchgeführt. - KI-Pipeline & “Into the Wild”-Studie
Eine reale Feldstudie zur Untersuchung, wie Nutzerfeedback zur Personalisierung von JITAIs beiträgt. Es wird der motivationale Einfluss von sowohl geplanten als auch spontanen körperlichen Aktivitäten untersucht und analysiert, welche kontextuellen Merkmale von verschiedenen KI-Modellen bei der Personalisierung priorisiert werden.
Erwartete Beiträge
- Erkenntnisse darüber, welche kontextuellen Signale effektiv zur Förderung körperlicher Aktivität beitragen
- Ein quelloffenes, KI-basiertes Framework zur Unterstützung zukünftiger Forschung und Entwicklung personalisierter Interventionen
Kooperationspartner
- Prof. Dr. Albrecht Schmidt, Ludwig Maximilians University of Munich (LMU)
- Dr.-Ing. Jan David Smeddinck, Ludwig Boltzmann Institute for Digital Health and Prevention (LBI-DHP)
- Dr. David Haag, LBI-DHP
- Dr. Rania Islambouli, LBI-DHP
- Fred Haochen Song, University of Toronto, Canada
Kontaktperson
