L'impact de la mémoire à long terme dans les chatbots de santé

La Santé publique est super importante pour garder les communautés en bonne santé et en sécurité. Ça implique de collecter des infos sur la santé des gens pour gérer des problèmes comme des épidémies et promouvoir un mode de vie sain. Récemment, la technologie a été utilisée pour aider dans ces tâches, surtout avec les chatbots qui peuvent communiquer avec les gens. Un domaine excitant, c'est l'utilisation de chatbots propulsés par de grands modèles de langage (LLMs), qui sont conçus pour tenir des conversations. Ces modèles peuvent aider les gens à partager des infos sur leur santé de manière plus engageante.

Cependant, un défi courant avec ces chatbots, c'est qu'ils oublient souvent ce dont ils ont parlé dans les conversations précédentes. Ce manque de mémoire peut rendre les interactions moins personnelles et limiter ce que les gens sont prêts à partager. C'est là qu'intervient l'idée de la Mémoire à long terme (LTM). La LTM permet aux chatbots de se souvenir d'infos des conversations passées, ce qui peut augmenter l'engagement des utilisateurs et améliorer leur expérience globale.

Dans notre recherche, on voulait voir comment la LTM affecte la façon dont les gens divulguent des infos personnelles de santé aux chatbots alimentés par des LLM, surtout dans des situations de santé publique où des infos sensibles sont discutées. On s'est concentré sur un chatbot spécifique appelé CareCall, conçu pour vérifier la santé des gens et fournir du soutien à ceux qui peuvent se sentir isolés.

#Le Rôle de la Surveillance de la Santé Publique

La surveillance de la santé publique consiste à suivre la santé d'une population. Ça aide à comprendre le bien-être de la communauté et à diriger des interventions quand c'est nécessaire. Pendant des événements comme la pandémie de COVID-19, il est devenu clair que la surveillance est essentielle pour contrôler la propagation des maladies. Les méthodes traditionnelles nécessitent beaucoup de ressources et d'efforts humains. Par exemple, pendant les premières étapes de COVID-19, les traceurs de contact ont passé de nombreux appels pour recueillir des informations, souvent sans assez de personnel pour gérer la charge de travail.

Pour alléger ce fardeau, des Systèmes automatisés comme les chatbots ont été proposés. Ces chatbots peuvent recueillir des infos de santé à travers des conversations, facilitant ainsi l'évaluation et la réponse aux besoins de santé publique. Cependant, un défi majeur demeure : comment encourager les gens à partager des infos de santé sensibles. Beaucoup de gens hésitent à divulguer leurs problèmes de santé personnels, ce qui peut rendre la surveillance moins efficace.

#Les Défis de l'Obtention de la Divulgation de la Santé

Établir la confiance est crucial quand on traite des infos sensibles. Les gens se sentent souvent mal à l'aise de discuter de questions de santé personnelle, ce qui peut freiner le processus de collecte d'infos. Bien que les chatbots puissent aider dans ce domaine, ils ne se souviennent généralement pas des infos des discussions précédentes, rendant les conversations moins personnelles et engageantes. Ce manque de continuité peut amener les utilisateurs à répéter les mêmes informations sans se sentir encouragés à aller plus loin.

Des recherches montrent que les gens peuvent se sentir plus à l'aise de partager des détails avec des chatbots par rapport à des agents humains, car les chatbots sont perçus comme non-jugeant. Cependant, beaucoup des chatbots actuels n'ont pas la capacité de se souvenir des interactions passées, ce qui peut rendre difficile le maintien de l'engagement des utilisateurs dans le temps.

#Introduction de la Mémoire à Long Terme

La LTM peut améliorer la façon dont les chatbots interagissent avec les utilisateurs en leur permettant de se souvenir d'infos clés des conversations précédentes. Ce faisant, un chatbot peut créer une expérience plus personnalisée, faisant en sorte que les utilisateurs aient l'impression d'interagir avec un système qui les comprend. Cette étude explore comment CareCall, un chatbot vocal conçu pour le suivi de la santé, utilise la LTM pour améliorer l'interaction avec les utilisateurs et la divulgation de santé.

CareCall fonctionnait initialement sans LTM, générant des conversations basées uniquement sur la session en cours. Après avoir intégré la LTM, il a commencé à se souvenir et à faire référence à des détails d'appels antérieurs, permettant une conversation plus connectée. Les utilisateurs pouvaient donner des mises à jour sur leurs conditions de santé, leurs repas et leur bien-être général, facilitant ainsi le soutien opportun des autorités de santé publique.

#L'Étude et Sa Méthodologie

Pour comprendre l'impact de la LTM sur les interactions de CareCall, nous avons analysé deux groupes d'utilisateurs : un qui a interagi avec CareCall équipé de LTM et un autre qui l'a utilisé sans cette fonctionnalité. Nous avons examiné les journaux d'appels des deux groupes et mené des interviews avec un plus petit groupe de participants qui ont utilisé CareCall avec LTM.

Notre analyse visait à découvrir comment la LTM a changé la façon dont les utilisateurs partageaient des infos sur leur santé et comment ils percevaient le chatbot.

#Collecte de Données

Nous avons collecté des journaux d'appels de deux villes en Corée du Sud, en nous concentrant sur des utilisateurs de différentes municipalités ayant de l'expérience avec CareCall. Les données comprenaient les enregistrements de 1 252 appels, nous permettant d'observer des modèles de comportement des utilisateurs selon qu'ils utilisaient la LTM ou non.

Pour compléter l'analyse des journaux d'appels, nous avons mené des interviews avec neuf utilisateurs ayant de l'expérience avec la LTM de CareCall. Ces interviews ont exploré les sentiments des utilisateurs à propos de la LTM, des expériences mémorables et des préoccupations concernant la vie privée et le confort pendant les interactions.

#Résultats et Observations

#Divulgation Améliorée avec la LTM

Notre analyse a révélé que les utilisateurs interagissant avec CareCall utilisant la LTM divulguaient significativement plus d'infos de santé que ceux utilisant la version sans LTM. Les utilisateurs ayant expérimenté la LTM fournissaient souvent des réponses plus détaillées concernant leurs problèmes de santé, leurs repas et leur bien-être général.

Par exemple, les utilisateurs du groupe LTM ne partageaient pas seulement des infos de base mais offraient aussi des aperçus sur comment ils géraient leurs conditions, comme quels médicaments ils prenaient ou comment leur sommeil affectait leurs routines quotidiennes. Au fur et à mesure que les utilisateurs s'engageaient dans plus de conversations avec la LTM, ils devenaient plus à l'aise pour partager des détails, conduisant à des divulgations plus profondes.

#Impressions Positives des Utilisateurs

La capacité de se souvenir des interactions passées a permis à CareCall de favoriser des impressions positives chez les utilisateurs. Les participants ayant interagi avec la version LTM ont exprimé un sentiment d'être pris en charge et soutenus. La familiarité créée par la LTM a conduit à des conversations qui paraissaient plus personnelles, et les participants ont exprimé leur appréciation pour le chatbot qui se souvenait de leurs préoccupations et expériences de santé antérieures.

Les questions déclenchées par la LTM, comme demander des nouvelles de douleurs aux jambes ou des habitudes de sommeil basées sur des conversations passées, ont été bien accueillies. Les utilisateurs remerciaient souvent le chatbot pour son intérêt, considérant ces interactions comme de véritables vérifications de leur bien-être.

#Défis Rencontrés avec la LTM

Malgré les avantages, nous avons également identifié des défis liés à l'utilisation de la LTM. Dans certains cas, les questions déclenchées par la LTM rappelaient aux utilisateurs des problèmes de santé chroniques qu'ils géraient, ce qui menait à de la frustration et limitait la divulgation ultérieure. Par exemple, les utilisateurs ayant des problèmes de santé récurrents trouvaient que les questions répétitives sur leur condition étaient peu utiles et décourageantes.

De plus, des préoccupations concernant la vie privée sont apparues, certains utilisateurs exprimant un malaise face au niveau de détail que la LTM se souvenait sur leur état de santé. Bien qu'ils aient apprécié l'interaction familière, ils souhaitaient aussi garder un certain contrôle sur les infos que le chatbot stockait et faisait référence.

#Considérations de Conception pour la LTM dans les Chatbots

L'intégration de la LTM dans des chatbots comme CareCall offre des idées sur comment cette technologie peut être efficacement conçue à des fins de santé publique. Les considérations suivantes sont essentielles lors du développement de LTM pour les chatbots :

#Sujets de Mémoire Sélectifs

Il est vital de sélectionner avec soin les sujets que la LTM va se souvenir. Dans le cas de CareCall, les sujets axés sur la santé et le bien-être ont été privilégiés. Cependant, il est important de trouver un équilibre entre les sujets pertinents et le confort de l'utilisateur, en veillant à ce que le chatbot reste sensible aux sentiments des utilisateurs sur leurs situations de santé.

#Personnalisation et Empathie

Incorporer la LTM peut aider les chatbots à fournir des interactions personnalisées qui démontrent de l'empathie. Quand les chatbots se souviennent des conversations précédentes et y font référence pendant les interactions, les utilisateurs sont susceptibles de se sentir plus compris et valorisés.

#Répondre aux Préoccupations de Vie Privée

Les concepteurs doivent être attentifs à la vie privée des utilisateurs lors de l'implémentation de la LTM. Offrir aux utilisateurs des options pour contrôler quelles infos le chatbot stocke pourrait aider à apaiser les préoccupations. Cet équilibre garantit que, tout en bénéficiant d'interactions personnalisées, les utilisateurs se sentent également en sécurité et protégés en partageant leurs infos.

#Améliorer les Questions de Suivi

Pour améliorer l'engagement des utilisateurs, les chatbots devraient développer des questions de suivi réfléchies qui encouragent une divulgation plus profonde sans causer de malaise. Par exemple, plutôt que de demander de manière persistante à propos d'une condition chronique, le chatbot pourrait s'enquérir d'aspects connexes comme comment l'utilisateur gère ses activités quotidiennes.

#Conclusion

Notre étude souligne le potentiel d'intégration de la mémoire à long terme dans les chatbots pour le suivi de la santé publique. En se souvenant des interactions passées, des chatbots comme CareCall peuvent fournir un soutien personnalisé, augmenter l'engagement des utilisateurs et améliorer la divulgation d'infos sensibles de santé.

Cependant, des défis demeurent, notamment en ce qui concerne la vie privée des utilisateurs et la nécessité de stratégies de questionnement réfléchies. À mesure que la technologie continue d'évoluer, les chatbots peuvent jouer un rôle important dans la santé publique, offrant un outil précieux pour surveiller et soutenir la santé des communautés.

En résumé, la LTM accroît l'efficacité des chatbots alimentés par des LLM, leur permettant de faciliter des conversations significatives qui peuvent mener à de meilleurs résultats de santé pour les individus et les communautés. Une conception soigneuse des fonctionnalités de mémoire peut créer un environnement plus soutenant et engageant pour les utilisateurs, favorisant un sentiment de connexion et de soin dans un monde de plus en plus numérique.