Using the behaviour change wheel framework to develop a rule-based chatbot to support varenicline adherence for smoking cessation
Notice bibliographique
Résumé
Introduction: Varenicline is one of the most effective smoking cessation medications; however, non-adherence remains a significant barrier to successful quitting. Conversational agents have the potential to support medication adherence in home and community settings. However, generative AI models pose risks due to hallucinations, making them less reliable for this purpose. Rule-based chatbots provide a more transparent, theory-driven approach to patient support. Thus, we developed ChatV, a rule based chatbot grounded in the Behaviour Change Wheel framework, to enhance varenicline adherence. Methods: ChatV was developed using a three-step process. First, we identified core determinants of varenicline adherence through a rapid review and qualitative interviews with healthcare providers and patients using the Theoretical Domains Framework. Second, we identified the intervention options through group discussions. Third, we identified intervention components using Behaviour Change Techniques (BCTs) Taxonomy v1. We applied the Acceptability, Practicability, Effectiveness, Affordability, Safety, and Equity (APEASE) criteria to determine the final intervention components. Results: We identified 11 key domains relevant to behaviour change, including knowledge, beliefs about capabilities and consequences, memory, attention and decision-making processes, reinforcement, intentions, goals, social influences, environmental context and resources, behaviour regulation, and skill. Applying the APEASE criteria, we refined these to nine theoretical domains and identified 21 BCTs as core components of ChatV. Conclusion: This study demonstrates a structured, theory-informed approach to chatbot development for medication adherence. By integrating evidence-based behaviour change principles with practical considerations, ChatV offers a model for designing rule-based conversational agents in healthcare.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».