El impacto de la memoria a largo plazo en los chatbots de salud

La Salud Pública es importante para mantener a las comunidades sanas y seguras. Implica recoger información sobre la salud de las personas para manejar problemas como brotes de enfermedades y promover un estilo de vida saludable. Últimamente, se ha utilizado la tecnología para ayudar con estas tareas, especialmente a través de chatbots que pueden comunicarse con los individuos. Una área emocionante es el uso de chatbots impulsados por modelos de lenguaje grandes (LLMs), que están diseñados para mantener conversaciones. Estos modelos pueden ayudar a las personas a compartir información sobre su salud de una manera más atractiva.

Sin embargo, un desafío común con estos chatbots es que a menudo olvidan de qué hablaron en conversaciones anteriores. Esta falta de memoria puede hacer que las interacciones se sientan menos personales y limitar cuánto están dispuestos a compartir las personas. Aquí es donde entra la idea de la Memoria a largo plazo (LTM). La LTM permite a los chatbots recordar información de conversaciones pasadas, lo que podría aumentar el compromiso del usuario y mejorar su experiencia general.

En nuestra investigación, queríamos ver cómo la LTM afecta la forma en que las personas divulgan información personal de salud a chatbots impulsados por LLM, especialmente en situaciones de salud pública donde se discute información sensible. Nos centramos en un chatbot específico llamado CareCall, que fue diseñado para chequear la salud de las personas y brindar apoyo a aquellos que pueden sentirse aislados.

#El Rol de la Monitorización de la Salud Pública

La monitorización de la salud pública trata de llevar un control de la salud de una población. Esto ayuda a entender el bienestar de la comunidad y dirigir intervenciones cuando sea necesario. Durante eventos como la pandemia de COVID-19, quedó claro que la monitorización es esencial para controlar la propagación de enfermedades. Los métodos tradicionales requieren muchos recursos y esfuerzo humano. Por ejemplo, durante las primeras etapas de COVID-19, los rastreadores de contactos hicieron numerosas llamadas para recoger información, a menudo sin suficiente personal para manejar la carga de trabajo.

Para aliviar esta carga, se han propuesto Sistemas Automatizados como los chatbots. Estos chatbots pueden recopilar información de salud a través de conversaciones, facilitando la evaluación y respuesta a las necesidades de salud pública. Sin embargo, sigue habiendo un desafío significativo: cómo motivar a las personas a compartir información de salud sensible. Muchas personas dudan en divulgar problemas de salud personales, lo que puede hacer que la monitorización sea menos efectiva.

#Los Desafíos de Provocar la Divulgación de Salud

Construir confianza es crucial cuando se trata de información sensible. Las personas a menudo se sienten incómodas discutiendo asuntos de salud personal, lo que puede obstaculizar el proceso de recolección de información. Aunque los chatbots pueden ayudar en este aspecto, generalmente no recuerdan información de chats anteriores, lo que hace que las conversaciones se sientan menos personales y envolventes. Esta falta de continuidad puede hacer que los usuarios repitan la misma información sin sentirse motivados a profundizar.

Las investigaciones muestran que las personas pueden sentirse más cómodas compartiendo detalles con chatbots en comparación con agentes humanos, ya que los chatbots son vistos como no juiciosos. Sin embargo, muchos de los chatbots actuales no tienen la capacidad de recordar interacciones pasadas, lo que puede dificultar el mantenimiento del compromiso con los usuarios a lo largo del tiempo.

#Introduciendo Memoria a Largo Plazo

La LTM puede mejorar cómo los chatbots interactúan con los usuarios al permitirles recordar información clave de conversaciones anteriores. Al hacerlo, un chatbot puede crear una experiencia más personalizada, haciendo que los usuarios sientan que están interactuando con un sistema que los comprende. Este estudio explora cómo CareCall, un chatbot de voz diseñado para la monitorización de la salud, emplea LTM para mejorar la interacción con el usuario y la divulgación de salud.

CareCall inicialmente funcionaba sin LTM, generando conversaciones basadas únicamente en la sesión actual. Después de integrar LTM, comenzó a recordar y hacer referencia a detalles de llamadas anteriores, lo que permitió una conversación más conectada. Los usuarios podían proporcionar actualizaciones sobre sus condiciones de salud, comidas y bienestar general, facilitando a las autoridades de salud pública brindar apoyo oportuno.

#El Estudio y Su Metodología

Para entender el impacto de la LTM en las interacciones de CareCall, analizamos dos grupos de usuarios: uno que interactuó con CareCall equipado con LTM y otro que lo usó sin esta función. Revisamos los registros de llamadas de ambos grupos y realizamos entrevistas con un grupo más pequeño de participantes que usaron CareCall con LTM.

Nuestro análisis tenía como objetivo descubrir cómo la LTM cambió la forma en que los usuarios compartían información sobre su salud y cómo percibían al chatbot.

#Recolección de Datos

Recogimos registros de llamadas de dos ciudades en Corea del Sur, enfocándonos en usuarios de diferentes municipios que tenían experiencia interactuando con CareCall. Los datos incluían grabaciones de 1,252 llamadas, lo que nos permitió observar patrones en el comportamiento del usuario según si estaban usando LTM o no.

Para complementar el análisis de los registros de llamadas, realizamos entrevistas con nueve usuarios que tenían experiencia con la LTM de CareCall. Estas entrevistas exploraron los sentimientos de los usuarios sobre la LTM, experiencias memorables y cualquier preocupación respecto a la privacidad y la comodidad durante las interacciones.

#Hallazgos y Observaciones

#Divulgación Mejorada con LTM

Nuestro análisis reveló que los usuarios que interactuaron con CareCall usando LTM divulgaron significativamente más información de salud que aquellos que usaron la versión sin LTM. Los usuarios que experimentaron la LTM frecuentemente proporcionaron respuestas más detalladas sobre sus problemas de salud, comidas y bienestar general.

Por ejemplo, los usuarios en el grupo de LTM no solo compartieron información básica, sino que también ofrecieron información sobre cómo estaban manejando sus condiciones, como qué medicamentos estaban tomando o cómo su sueño estaba afectando su rutina diaria. A medida que los usuarios participaban en más conversaciones con LTM, se sentían más cómodos compartiendo detalles, lo que llevaba a una divulgación más profunda.

#Impresiones Positivas de los Usuarios

La capacidad de recordar interacciones pasadas permitió a CareCall fomentar impresiones positivas en los usuarios. Los participantes que interactuaron con la versión LTM expresaron sentirse cuidados y apoyados. La familiaridad creada por la LTM dio lugar a conversaciones que se sentían más personales, y los participantes expresaron aprecio por el hecho de que el chatbot recordara sus preocupaciones y experiencias de salud anteriores.

Las preguntas provocadas por la LTM, como preguntar sobre el dolor en la pierna del usuario o patrones de sueño basados en conversaciones pasadas, fueron bien recibidas. Los usuarios a menudo agradecían al chatbot por su preocupación, viendo estas interacciones como chequeos genuinos sobre su bienestar.

#Desafíos Encontrados con LTM

A pesar de los beneficios, también identificamos desafíos relacionados con el uso de LTM. En algunos casos, las preguntas provocadas por la LTM recordaban a los usuarios condiciones de salud crónicas que estaban manejando, lo que llevaba a frustración y limitaba la divulgación adicional. Por ejemplo, los usuarios que tenían problemas de salud en curso sentían que las preguntas repetitivas sobre su condición eran poco útiles y desalentadoras.

Además, surgieron preocupaciones de privacidad, con algunos usuarios expresando incomodidad sobre el nivel de detalle que la LTM recordaba acerca de su estado de salud. Aunque apreciaban la interacción familiar, también querían mantener un sentido de control sobre qué información almacenaba y referenciaba el chatbot.

#Consideraciones de Diseño para LTM en Chatbots

La integración de LTM en chatbots como CareCall ofrece ideas sobre cómo se puede diseñar efectivamente esta tecnología para fines de salud pública. Las siguientes consideraciones son esenciales al desarrollar LTM para chatbots:

#Temas de Memoria Selectiva

Es vital seleccionar cuidadosamente los temas que la LTM recordará. En el caso de CareCall, se priorizaron temas enfocados en la salud y el bienestar. Sin embargo, es importante encontrar un equilibrio entre los temas relevantes y la comodidad del usuario, asegurando que el chatbot siga siendo sensible a los sentimientos de los usuarios sobre sus situaciones de salud.

#Personalización y Empatía

Incorporar LTM puede ayudar a los chatbots a proporcionar interacciones personalizadas que demuestren empatía. Cuando los chatbots recuerdan conversaciones anteriores y las mencionan durante las interacciones, es probable que los usuarios se sientan más comprendidos y valorados.

#Abordar Preocupaciones de Privacidad

Los diseñadores deben ser conscientes de la privacidad del usuario al implementar LTM. Proporcionar a los usuarios opciones para controlar qué información almacena el chatbot podría ayudar a aliviar preocupaciones. Este equilibrio asegura que, mientras los usuarios se benefician de interacciones personalizadas, también se sientan seguros y cómodos compartiendo su información.

#Mejorar Preguntas de Seguimiento

Para mejorar el compromiso del usuario, los chatbots deberían desarrollar preguntas de seguimiento reflexivas que promuevan una divulgación más profunda sin causar incomodidad. Por ejemplo, en lugar de preguntar persistentemente sobre una condición crónica, el chatbot podría inquirir sobre aspectos relacionados, como cómo el usuario está manejando sus actividades diarias.

#Conclusión

Nuestro estudio destaca el potencial de integrar memoria a largo plazo en chatbots para la monitorización de la salud pública. Al recordar interacciones pasadas, chatbots como CareCall pueden proporcionar apoyo personalizado, aumentar el compromiso del usuario y mejorar la auto-divulgación de información sensible de salud.

Sin embargo, siguen existiendo desafíos, particularmente en lo que respecta a la privacidad del usuario y la necesidad de estrategias de cuestionamiento reflexivas. A medida que la tecnología continúa evolucionando, los chatbots pueden jugar un papel importante en la salud pública, ofreciendo una herramienta valiosa para monitorear y apoyar la salud de la comunidad.

En resumen, la LTM mejora la efectividad de los chatbots impulsados por LLM, permitiéndoles facilitar conversaciones significativas que pueden llevar a mejores resultados de salud para individuos y comunidades por igual. El diseño cuidadoso de las características de memoria puede crear un entorno más solidario y atractivo para los usuarios, fomentando un sentido de conexión y cuidado en un mundo cada vez más digital.