Conversational Agents and Avatars for Cardiometabolic Risk Factors and Lifestyle-Related Behaviors: Scoping Review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: In recent years, there has been a rise in the use of conversational agents for lifestyle medicine, in particular for weight-related behaviors and cardiometabolic risk factors. Little is known about the effectiveness and acceptability of and engagement with conversational and virtual agents as well as the applicability of these agents for metabolic syndrome risk factors such as an unhealthy dietary intake, physical inactivity, diabetes, and hypertension. OBJECTIVE: This review aimed to get a greater understanding of the virtual agents that have been developed for cardiometabolic risk factors and to review their effectiveness. METHODS: A systematic review of PubMed and MEDLINE was conducted to review conversational agents for cardiometabolic risk factors, including chatbots and embodied avatars. RESULTS: A total of 50 studies were identified. Overall, chatbots and avatars appear to have the potential to improve weight-related behaviors such as dietary intake and physical activity. There were limited studies on hypertension and diabetes. Patients seemed interested in using chatbots and avatars for modifying cardiometabolic risk factors, and adherence was acceptable across the studies, except for studies of virtual agents for diabetes. However, there is a need for randomized controlled trials to confirm this finding. As there were only a few clinical trials, more research is needed to confirm whether conversational coaches may assist with cardiovascular disease and diabetes, and physical activity. CONCLUSIONS: Conversational coaches may regulate cardiometabolic risk factors; however, quality trials are needed to expand the evidence base. A future chatbot could be tailored to metabolic syndrome specifically, targeting all the areas covered in the literature, which would be novel.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle