ChangeGradients: Främja ungdomars hälsobeteendeförändring

Eftersom de flesta ungdomar besöker en vårdgivare en gång om året, har interventioner för hälsobeteendeförändringar kopplade till klinikbaserad hälsoinformationsteknik ett betydande löfte för att förbättra sjukvårdens kvalitet och efterföljande beteendemässiga hälsoresultat för ungdomar (Baird, 2014, Harris, 2017). Utredarna inser potentialen att dra nytta av de senaste framstegen inom maskininlärning och interaktiva narrativa miljöer, och utredarna är nu väl positionerade för att designa system för förändring av hälsobeteende som utökar räckvidden för kliniker för att inse betydande effekter på beteendeförändringar för ungdomars förebyggande hälsa.

Det föreslagna projektet fokuserar på design, utveckling och utvärdering av ett kliniskt integrerat hälsobeteendeförändringssystem för ungdomar. CHANGEGRADIENTS kommer att introducera en innovativ förstärkningsinlärningsbaserad feedbackslinga där tonårspatienter interagerar med personliga beteendeförändringar interaktiva berättelser som är dynamiskt personliga och realiserade i en rik narrativcentrerad virtuell miljö. CHANGEGRADIENTS kommer iterativt att förbättra sina beteendeförändringsmodeller med hjälp av policygradientmetoder för Reinforcement Learning (RL) utformade för att optimera ungdomars uppnådda beteendeförändringsresultat. Detta i sin tur kommer att göra det möjligt för CHANGEGRADIENTS att generera mer effektiva berättelser om beteendeförändringar, vilket sedan kommer att leda till ytterligare förbättrade beteendeförändringsresultat. Med fokus på riskbeteenden och tonvikt på alkoholanvändning kommer ungdomar att interagera med CHANGEGRADIENTS för att utveckla en erfarenhetsmässig förståelse för dynamiken och konsekvenserna av deras beslut om alkoholbruk. Det föreslagna projektet har betydande transformativ potential för (1) att producera teoretiska och praktiska framsteg i hur man kan realisera betydande effekter på förändringar i ungdomars hälsobeteende genom nya interaktiva narrativa teknologier integrerade med policybaserad förstärkningsinlärning, (2) ta fram urvalseffektiva policygradientmetoder för RL som producerar personliga beteendeförändringsupplevelser genom att integrera teoretiskt baserade modeller för hälsobeteendeförändringar med datadrivna modeller för generering av interaktiva narrativa, och (3) främja nya modeller för att integrera personliga hälsobeteendeförändringsteknologier i klinisk vård som utökar den effektiva räckvidden av läkare.