便携式ECG与大语言模型结合的家庭环境用户交互行为大规模实证研究

《npj Digital Medicine》：Real-world user interactions with large language models for explaining home electrocardiogram reports

　　摘要随着便携式心电图（ECG）设备的发展，用户可以在家庭环境中便捷获取生理数据，但由于医学知识有限，仍面临解读差距。大语言模型（LLMs）可能通过自然语言解释帮助弥合这一差距，但关于用户如何在家庭环境与这些模型交互的大规模现实世界证据仍然有限。本研究回顾分析了16个月内"文心无阳"系统26,419名用户的109,017个对话会话，共包含323,470个对话轮次，考察了用户参与度、意图演变、确认与担忧表达以及交互修复情况。60.01%的交互发生在正常工作时间之外，57.90%的用户来自低线城市和地区。用户表现出较高的留存率和中等的交互深度，同时其需求逐渐从结果解读扩展到医疗知识、行动导向指导及健康管理。在行动到知识的过渡过程中，用户对系统可靠性的明确确认减少，而在对话中期阶段担忧表达增加，随后部分下降。在不确定的交互中，用户倾向于简化其表达。总体而言，集成到AI-ECG系统中的大语言模型能够连接生理数据与医疗知识，这些发现为渐进式解释设计、风险担忧识别、交互修复支持以及持续医师审查提供了设计启示。