青少年に植物ベースの食品の選択を促す、言語に合わせた健康メッセージ

この研究は、英国とアイルランドの11～15歳の青少年を対象とした5群ランダム化比較試験です（図1）。 介入群では、参加者は月曜日から金曜日まで 2 週間、植物ベースの食事を促進するメッセージを毎日受け取ります。 最初のグループは受動的対照グループとして機能し、参加者は研究全体を通じてメッセージを受け取りません。 アーム 2 では、参加者は 2 週間を通して、カスタマイズされていないメッセージを毎日受け取ります。 アーム 3 では、参加者は言語的に調整されたメッセージを受け取ります。 アーム 4 の参加者は、調整されていないメッセージと調整されたメッセージの両方をそれぞれ 1 週間受信します。第 1 週は調整されたメッセージ、第 2 週は調整されていないメッセージ (アーム 4a)、第 1 週は調整されていないメッセージ、第 2 週は調整されたメッセージ (アーム 4b) 。 この設計は、被験者内比較 (調整された対非調整) と被験者間の比較 (例: 対照対介入) の両方をサポートします。

プログラムの開始時に、参加者はチャット ゲームをプレイして、言語スタイルを分析するためのチャット データを収集します。 これらのデータは、大規模言語モデル (LLM) を使用して介入メッセージのテキスト スタイル転送を実行するために使用されます。 これに続いて、最初の週末に実施されるベースライン調査から 2 週間の介入が始まります。 平日（月曜日から金曜日）の間、介入群（アーム 2、3、および 4）の参加者は、研究アプリ Avicenna を通じて植物ベースの食事を促進するメッセージを毎日受け取ります。 さらに、受動的対照群を含むすべての参加者は、昼食時の食事の選択について毎日アンケートを受けます。 介入部門の参加者は、メッセージの認識に関する質問も受けます。 各介入週に続く週末に、参加者は包括的な調査 (中間調査と最終調査) に回答します。 これらの調査は、ベースライン調査と合わせて、食事行動、行動の決定要因、メッセージソースの認識、メッセージ処理、テキストスタイルの特徴を含むすべての結果尺度を評価します。

サンプルサイズ 期待される効果量は、一般的な調整を含むオンライン健康促進研究の 2 つのメタ分析に基づいています (Krebs et al., 2010; Lustria et al., 2013)。 これらの研究では、全体の平均効果量が 0.08 (コーエンの f)、特に食事関連の介入では 0.112 であると報告されています。 想定される効果量 0.1 および被験者間比較の検出力 80% に基づいて、592 人の参加者のサンプル サイズが必要です。 通常、被験者内比較の方がより高い統計検出力が得られるため、完全な応答を持つ参加者 600 名 (各腕あたり 150 名) のターゲット サンプル サイズを目指します。

参加者の募集 参加者は英国とアイルランドの研究委員会（Norstat）を通じて募集されます。 適格な子供を持つパネルメンバーが研究に参加するよう招待されます。 採用調査の一環として、保護者はまず事前スクリーニングの質問に答えて、子供が採用基準を満たしていることを確認します。 資格がある場合、親は引き続き採用調査に参加します。これには、研究に関する情報と、子どもを登録して参加に同意する機会がさらに含まれます。 保護者の同意が得られたら、子供たちに研究に参加するよう連絡します。 参加者は、研究の各段階（チャット ゲームのプレイ、ベースラインの完了、毎日の調査、中間調査、および最終調査）を完了することで調査パネルのクレジット（つまり、金銭的報酬）を受け取ります。

ランダム化ブロックのランダム化は、介入群全体に参加者を割り当てるために使用されます。 アーム 4a と 4b は同一の条件を備えているものの、バランスが取れているだけであるため、単一のブロックに結合されます。 これにより、合計 4 つのブロックが生成されます。 目標サンプルサイズは 600 で、ブロックごとに 150 人の参加者を目指します。 参加者は、採用調査に統合されたクアルトリクスの自動ブロックランダム化機能を介して、4 つのブロックのいずれかに割り当てられます。

チャット ゲーム: BetweenUs 私たちは、倫理、安全、プライバシーの基準を満たしながらチャット データを収集するために、BetweenUs と呼ばれる Web ベースのチャット ゲームを開発しました。 このゲームの目的は、本物のテキスト メッセージのサンプルを生成し、そこから各参加者の個々の言語スタイルについて学ぶことです。 ゲームはカスタムビルドされ (つまり、サードパーティ ソフトウェアは必要ありません)、エラスムス大学の Microsoft Azure サーバーでホストされました。 ここからアクセスできます: (https://movez.ecda.ai/chat/test1)。

BetweenUs は、共創セッションで子供たちによって共同デザインされました。 子どもたちは、ゲームの見た目、使用するアバターの種類、ゲームの長さ、話したいトピックについて意見を出しました。 このゲームは、「Among Us」などの人気の詐欺ゲームからインスピレーションを得たものです。 このゲームはさらに、最終的なフィードバックのために子供たちの間で試験的に実施されました。

ゲームでは、プレイヤーはチャットルーム内で 4 人の参加者からなるグループにランダムにペアリングされます。 ゲームの開始時に、プレーヤーはゲームのルールを説明する 5 つの指示画面の指示に導かれます。 その後、プレーヤーは次の 2 つの質問に答える必要があるゲームを開始できます。 1) プレーヤーは、提示されたトピックが好きですか、嫌いですか (例: サッカーを見る）、2）プレーヤーは詐欺師をプレイすることに快適さを感じますか。 その後、各プレイヤーの役割 (捜査官または詐欺師) がランダムに割り当てられます。 調査員は、提示されたトピックの実際の好き嫌いについてチャットする必要がありますが、詐欺師は、実際の好みとは反対の役割を演じるように指示されます（例：「実際はサッカーが好きですが、サッカーを見るのは嫌いです」）。他のプレイヤーに捕まってしまいました。

ゲームは 8 分間の 1 対 1 の会話の 3 ラウンドに分かれており、最後は 5 分間のグループ会話で終わります。 このようにして、1 対 1 の設定およびグループ設定での会話のダイナミクスをキャプチャし、現実世界のチャットを反映することができます。 チャット中。 ゲームは投票で終了し、調査員にグループ内の詐欺師を推測するよう求めます。 詐欺師を正確に推測できれば調査員が勝​​ち、過半数の票を獲得できなかった場合は詐欺師が勝ちます。

チャット ゲームは完全に匿名です。 プレイヤーは動物のようなアバターで表現されます。 ゲーム中に個人情報や個人情報は収集されず、プレイヤーは個人情報を共有しないように指示されています。 何らかの理由でチャット内に個人情報または機密情報 (名前、年齢など) が含まれる場合、これは削除またはハッシュ化されます。 さらに、ゲームのトピックは、デリケートな主題が避けられるように、研究者によって (共同制作セッションからの提案を考慮して) 慎重に選択されています。 プレイヤーは、ゲーム中に詐欺師の役割を引き受けることで不快感を示すオプションもあります。 最後に、データは研究者のみがアクセスでき、大学のサーバーに保存されます。

介入メッセージ 自律性をサポートする方法で植物ベースの食事の利点を促進するために、10 の介入メッセージが開発されました。 各メッセージは、植物ベースの食事について最も言及されている 3 つの動機 (Miki et al., 2020) のうちの 1 つ、つまり、健康上の動機、環境上の動機、動物福祉の動機をターゲットにしています。 平日を通してメッセージの動機の順序を一定に保ち、両週にわたって毎日 3 つの動機の 1 つを取り上げます。 メッセージの作成は、介入メッセージに対する青少年の好みに基づいて行われました。 すべてのメッセージは、事実に基づいたもの（科学に基づいた統計を含む）、簡潔（4 ～ 5 文）、10 代の若者に関連したもの（例、ニキビなどの健康上の懸念への対処）、自律性をサポートするもの（指示ではなく提案やヒントを提供）になるように設計されています（Hingle）ら、2013)。 メッセージは、非常に感情的な言語、非標準的な構文、絵文字の使用を避け、中立的な言語スタイルで意図的に作成されました。 これらは調整されていないメッセージを構成し、LLM を使用したテキスト スタイル転送を通じて調整されたメッセージを開発するための基礎として機能します。 調整されていないメッセージは、調整されたバージョンとの公平な比較を可能にするために、アクティブな会話の音声で書かれており、スタイルの転送に続いてアクティブな音声も期待されています。 メッセージの中立性は、専門家による人間による評価と、22 の言語次元にわたって各メッセージを評価し、0 (中立) から 100 (非常に高い) のスコアで評価する言語調査ワードカウント 2022 (LIWC22) ツールを通じて検証されました (Boyd et al., 2022)。 メッセージが正確で、信頼でき、明確で、青少年にとって魅力的であり、言語スタイルにおいて主に事実に基づいていることを保証するために、青少年のコミュニケーションの専門知識を持つ上級研究者による複数回の校正が行われました。

大規模言語モデル LLM は、介入メッセージを言語的に調整するために使用されます。 LLM の主なタスクは、チャット ゲームから収集されたデータを使用して各参加者の会話スタイルを学習し、それに応じて介入メッセージを適応させることです。 これにより、各参加者に対して言語的に調整された 10 個のメッセージが作成されますが、メッセージの内容と事実は、調整されていないメッセージと調整されたメッセージ全体で一定のままです。

LLM Mistral-large は、現在の一般的なパフォーマンス スコアとオープンソースの可用性に基づいて選択されました。 別の研究では、テキストスタイルの転送精度、内容の保存（つまり、意味の類似性）、流暢さ（つまり、わかりやすさ）に焦点を当てて、介入メッセージを調整する際のさまざまなLLM（ミストラルとGPT）のパフォーマンスを評価しました（原稿準備中） 。 評価されたすべてのモデルは、ユーザーの会話スタイルを捕捉する優れた機能を実証し、コンテンツの保存性と流暢さにおいて非常に高いスコアを獲得しました。 現時点では、Mistral-large がこの研究に最も適したモデルと考えられています。

まず、Mistral-large は、チャット データのスタイルに依存しない同等のデータを生成し、各参加者用の並列データセットを作成します。 関連性を維持するために、参加者の単語数の中央値を超えるメッセージのみが含まれるため、「こんにちは」などの短いメッセージや意味のないメッセージは除外されます。 この並列データセットは、モデルのトレーニング入力として機能します。 その後、LLM は言語専門家として機能するように明示的に指示され、並列データセットに反映された会話スタイルを分析します。 具体的には、LLM は次のことを考慮するように指導されます: 1) 参加者の機能語の使用 (例: 「私」、「私たち」、「あなた」などの代名詞)、2) 好みの口調 (例: 公式または非公式、分析的または非公式など)物語）、3）一般的に使用される文体上の単語（フレーズ、つなぎ言葉など）、および 4）例文での絵文字または顔文字の使用。 LLM には、テキスト スタイルの転送についての説明も求められます。

リサーチ アプリ 毎日のメッセージとアンケートは、Avicenna と呼ばれるスマートフォンのリサーチ アプリを通じて配信されます。 参加者はプログラム開始前に本アプリをダウンロードし、固有IDで登録する必要があります。 このアプリにより、研究プログラムへの匿名の参加が保証されます。 毎日の授業日、参加者は朝にアプリを開いて新しいメッセージを表示するよう促すプッシュ通知を受け取ります。 さらに、新しいメッセージが利用可能になると、アプリには赤いバッジが表示されます。 メッセージは同じ授業日の午前 0 時までアクセスでき、その後はアプリから消え、未読のメッセージはその日の欠落データとしてマークされます。 メッセージを読むと、参加者はアプリ内で直接毎日の測定を完了します。 週末には、参加者は週末のアンケート (つまり、ベースライン、中間点、および最終アンケート) を完了するよう通知する通知を受け取ります。