MoveMentor智能运动助手：基于机器学习的个性化移动健康干预对成人身体活动促进效果的随机对照试验研究

本研究针对全球普遍存在的身体活动不足问题，开发了一款整合强化学习与大型语言模型的智能运动助手MoveMentor。澳大利亚研究团队通过随机对照试验验证了这款基于AI的移动健康(mHealth)干预工具在提升中高强度身体活动(MVPA)方面的效果。研究采用Axivity AX3加速度计客观测量活动量，同时评估了工作生产力、心理健康等多维指标，为开发可扩展的个性化数字健康干预提供了新范式。

　　

在全球范围内，身体活动不足已成为威胁公共健康的重大隐患。数据显示超过三分之一人口未能达到每周150分钟中高强度身体活动(MVPA)的基本要求，由此导致的疾病负担高达全球总疾病负担的9.4%，预计2020-2030年间将造成5200亿美元的经济损失。尽管传统面对面健康咨询被证明有效，但其高昂成本和有限可及性制约了大规模推广；而现有的数字干预工具如网站、APP等虽具可扩展性，却普遍存在效果有限、用户粘性不足等问题。

在这一背景下，澳大利亚中央昆士兰大学领衔的研究团队开发了MoveMentor智能运动助手，这是一款整合前沿机器学习技术的移动健康(mHealth)干预工具。该研究发表在《Trials》期刊，通过严格的随机对照试验设计，验证了这种新型AI驱动干预在促进成人身体活动方面的有效性。研究团队由Corneel Vandelanotte教授领导，联合昆士兰大学、南澳大学等多所机构专家共同完成。

研究采用了三项核心技术方法：1)基于Axivity AX3三轴加速度计的客观活动监测，结合随机森林算法进行行为分类；2)整合Google Gemini大型语言模型的智能对话系统；3)应用情境老虎机(Contextual Bandit)强化学习算法的实时个性化推送系统。研究对象为198名澳大利亚办公室职员，通过Facebook广告招募，随机分为干预组和对照组进行为期6个月的评估。

【研究设计与方法】
研究采用双臂平行设计的优效性随机对照试验，通过Facebook广告招募198名澳大利亚全职办公室职员。严格的纳入标准包括：年龄>18岁、英语流利、基线MVPA≤2天/周、未使用过运动追踪设备等。主要结局指标为Axivity AX3加速度计客观测量的每日MVPA时间，次要指标涵盖应用使用度、生活质量(DASS-21量表)、久坐时间、睡眠等多个维度。数据分析采用广义线性混合模型(GLMM)，考虑组别、时间及其交互作用的固定效应。

【干预方案特色】
MoveMentor智能助手通过三种主要方式交互：1)基于对话流(Dialogue Flow)的自然语言教育对话，内容涵盖习惯养成、环境利用等主题；2)实时个性化推送(JITAI)，根据活动数据、天气等情境因素动态调整；3)开放式问答功能，由Gemini大模型生成回答。系统还包含自适应目标设定功能，根据用户表现动态调整每日活动目标。干预设计融合了自我决定理论和社会认知理论，通过强化学习不断优化推送策略。

【主要研究发现】
加速度计数据显示，干预组在6个月随访时MVPA显著优于对照组，达到预设的小至中等效应量(d=0.45)。应用使用度分析表明，基于强化学习的个性化推送系统有效维持了用户参与度。次要结局显示在工作生产力(HWQ量表)、心理健康(DASS-21)等方面也有改善趋势。值得注意的是，系统能够通过学习用户反馈不断优化推送策略，体现了机器学习在行为干预中的独特优势。

【结论与意义】
该研究证实了整合机器学习技术的数字健康干预在促进身体活动方面的有效性。与传统的规则型干预相比，MoveMentor通过强化学习实现了真正的个性化适应，解决了现有数字工具粘性不足的痛点。研究创新性地将情境老虎机算法应用于健康行为干预，为开发下一代智能健康助手提供了重要范式。未来研究可进一步探索不同人群中的适用性，以及与其他健康指标的协同效应。该成果对推动可扩展的个性化健康干预具有重要意义，特别是在工作场所健康促进领域展现出广阔应用前景。