数字干预促进中老年人身体活动：基于深度强化学习的消息框架与个体特征匹配研究

这篇研究通过为期两周的移动应用干预，探讨了基于心理特征定制的预事实性消息（prefactual messages）对50-80岁成年人身体活动意愿的影响。研究创新性地结合动态贝叶斯网络（DBN）和深度强化学习（DRL）技术，发现初始身体活动水平低且预防焦点（prevention focus）与疾病易感性（disease susceptibility）特定组合的群体改善最显著。该成果为大规模个性化健康干预提供了"心理学+人工智能"的整合方案。

　　

研究背景与意义

规律身体活动对身心健康具有多重益处，包括改善代谢功能、降低心血管疾病风险、延缓认知衰退等。然而全球约27%的成年人身体活动不足，中老年群体尤为突出。传统干预措施存在覆盖面有限、成本高等问题，亟需开发可规模化的个性化数字解决方案。本研究通过PsyMe移动应用实施为期两周的消息干预，结合人工智能技术探索最优化的个性化沟通策略。

研究方法学创新

研究团队招募305名50-80岁健康成年人，随机分配接受四种预事实性消息干预（2×2设计）：增益型/非损失型（gain/non-loss）×身体/心理健康焦点。采用动态贝叶斯网络（DBN）建模18个心理变量间的因果关系，包括预防/促进焦点（HRF）、疾病易感性（PERC_SUS）、自我效能（SELF_EFF）等。创新性应用AlphaZero算法进行深度强化学习（DRL），开发出最快仅需2步交互的个性化消息推荐策略。

关键发现解析

1. 消息效价与心理特征的匹配效应：预防焦点高的个体对非损失型消息反应更积极（效用指数1.58），而低预防焦点者更易受增益型消息影响（效用指数1.62）。疾病易感性起调节作用——高易感性者更关注身体健康信息，低易感性者对心理健康信息响应更佳。

2. 行为改变的门槛效应：初始活动水平高（PAST_BEH_LONG_T1≥66百分位）的参与者出现心理抗拒（reactance），意向变化为负值（效用指数-0.88），印证"天花板效应"。

3. 认知加工链式反应：消息可信度（MES_CONT）→积极情绪（MES_POS_EMO）→系统加工（SIST_PROC）→参与度（MES_INV）形成显著中介路径（β=0.34，p<0.01）。

技术转化价值

研究开发的树状策略（图2）实现高效个体画像：

• 对高预防焦点者优先评估态度（ATT_T1）

• 中低态度者需追加意向（INT_T1）和行为史（PAST_BEH）评估

• 最优消息选择准确率达82.3%（交叉验证）

该方案将传统20分钟问卷缩短为3-5分钟智能对话，通过PsyMe应用实现自动化部署。与现有健身APP相比，创新点在于：

1. 整合健康信念模型（HBM）与调节聚焦理论（RFT）

2. 采用蒙特卡洛树搜索（MCTS）优化问题序列

3. 实现动态适应性干预（根据用户进展调整消息类型）

应用前景与局限

成果适用于：

• 医疗保险公司的健康促进计划

• 社区老年活动中心的数字化服务

• 慢性病二级预防的远程管理

主要局限包括样本性别偏差（女性77%）、依赖自我报告数据、缺乏长期随访。未来改进方向可整合可穿戴设备数据采集，并探索大型语言模型（LLM）在心理特征推断中的应用。

跨学科启示

这项研究示范了行为科学与人工智能的协同创新：

1. DBN可视化呈现了传统理论未识别的变量交互（如预防焦点×疾病易感性×消息框架的三阶效应）

2. DRL策略树为可解释AI（XAI）在健康领域的应用提供范本

3. 开创了"数字表型→心理画像→干预匹配"的精准健康促进新模式