《Computers in Human Behavior Reports》：Human-explainableAI-Cognition habit-change system thinking with quality assurance framework to fine-tune app skepticism in cardiovascular care: An Empirical cross-sectional study using SEM-PLS-Machine-Learning
编辑推荐：
可解释人工智能-习惯改变决策支持系统的开发需要在最终开发之前进行质量测试和因素预测，并将人纳入系统设计回路中，以优化心血管时代应用程序中习惯改变状态的怀疑态度。本研究旨在提出一种具有质量保证框架的人类可解释人工智能（Human-explainable AI），
可解释人工智能-习惯改变决策支持系统的开发需要在最终开发之前进行质量测试和因素预测，并将人纳入系统设计回路中，以优化心血管时代应用程序中习惯改变状态的怀疑态度。本研究旨在提出一种具有质量保证框架的人类可解释人工智能（Human-explainable AI），作为系统思维的组成部分，用于习惯改变决策支持系统的开发，并进行实证验证。因此，设计科学研究（Design Science Research）和系统思维方法为本研究提出的方法论提供了启示，同时采用实证研究在系统开发生命周期回路中进行人类人工智能评估与评价，以实现质量保证和人类人工智能认知智能。本研究提出了一个包含提取的质量保证框架的理论模型。该模型采用偏最小二乘法-结构方程建模-机器学习（PLS-SEM-ML）联合方法进行模拟，并通过实证研究、定量、探索性、横断面方法进行验证。人类与人工智能验证的结合为在习惯改变系统思维V模型回路中使用人类可解释人工智能认知提供了机会。数据通过问卷从220名受访者中收集，基于G*Power估算的最低样本量166。关怀、情感特征、性别、移动应用程序习惯、怀疑态度和移动健康素养（m-Health Literacy）等因素显著，而年龄和说服性特征在模型中无显著效应。随机森林（Random Forest）在分类习惯改变状态（是否抵抗）方面优于其他算法，准确率为0.8，ROC曲线为0.9。本研究提出了习惯改变生命周期、理论框架和人工智能增强的质量保证路径。可解释人工智能-习惯需要通过迭代过程提供认知、情感和说服性支持，以改善健康和福祉。人工智能的整合需要专门的质量保证来优化和设计习惯改变的学习过程。
**研究背景与问题**
心脏病在过去十年中一直是全球十大死因中的首要杀手。在东亚和太平洋地区，马来西亚的人均医疗保健支出最高。缺血性心脏病在2020年仍是主要死因，男性缺血性心脏病死亡人数保持稳定，但女性死亡人数有所增加。习惯被定义为通过重复而变得自动化的行为类型，在慢性疾病的发生或预防中起着重要作用。许多疾病类型，包括心脏病，与吸烟、饮食、睡眠、压力、运动等不规则习惯相关，这些被视为"异常习惯"。因此，一种具有决策支持系统的可解释人工智能/数据驱动软件，能够通过物联网（IoT）设备实现随时随地的实时监测，对于心脏病护理路径和提升质量至关重要。此前的支持系统如iHeart主要关注改变使用系统的行为，而非特别关注习惯趋势。为增强iHeart的可解释人工智能认知和习惯改变功能，研究人员将习惯改变系统思维纳入系统设计。因此，AI-Habit——一个习惯改变支持系统（HBCSS），包括移动应用程序和基于网络的仪表板开发——在马来西亚槟城启动，针对心脏病易感人群以预防心脏病风险。该系统被命名为AI-HabitSS，整合了不同的人类可解释人工智能元素与认知特征以及说服性设计、移动健康素养等，以增强健康和福祉系统中的决策。然而，本研究聚焦于220名心脏病易感个体作为受访者，采用定量、探索性、横断面和系统思维方法。本研究的主要目标是提出一个习惯改变状态和使用怀疑态度的理论模型，连同质量保证框架作为系统思维要素，用于人类可解释人工智能习惯改变决策支持系统在智能计算软件系统开发生命周期中的应用。理论模型中提出了八个假设，旨在预测习惯改变状态。结构方程建模（SEM）、偏最小二乘法（PLS）和机器学习（ML）被结合为SEM-PLS-ML，将理论推向计算和算法系统思维，并对使用AI-HabitSS的怀疑态度和习惯改变状态进行预测建模。
**关键技术方法**
本研究采用定量、探索性、横断面研究设计，作为"基于习惯的行为改变支持系统（HBCSS）用于心脏病易感人群"研究资助项目的一部分。研究采用设计科学研究方法（DSRM）与系统思维元素，将人纳入回路作为人类可解释人工智能系统的组成部分。数据通过问卷从220名受访者中收集（G*Power估算最低样本量为166），采用目的性抽样，仅纳入心脏病易感人群或其家庭成员有心脏病风险者。数据收集地点为马来西亚槟城，通过大学健康中心、药学学院和研究生协会协助完成。问卷在试点研究后修订。数据分析使用IBM SPSS Statistics处理缺失值和描述性分析，SmartPLS 4进行SEM-PLS程序（算法和5000次子样本自助法），Python Jupyter笔记本进行机器学习建模。机器学习分类器包括K近邻（KNN）、支持向量机（SVM）线性核、SVM多项式核、SVM径向基函数核、SVM Sigmoid核和随机森林（RF），采用50-50训练/测试分割。伦理批准代码为USM/JEPeM/a9100701。
**研究结果**
**人口统计学分析**：受访者中男性占51.8%，女性占48.2%，涵盖不同年龄组和种族。大多数受访者至少拥有本科学位，具有智能手表和智能手机使用经验。基于伦理批准，研究仅聚焦于心脏病易感人群而非危重患者，因此大多数受访者从未经历过严重心脏病发作，但至少经历过风险。
**测量模型**：收敛效度（CV）通过AVE值评估，所有构念的AVE值均大于0.7。内部一致性通过复合信度（CR）和Cronbach's Alpha评估，除关怀、移动应用使用习惯和使用AI-HabitSS的怀疑态度外，所有变量的CR和AVE均大于0.7。区分效度采用HTMT比率和Fornell-Larcker准则评估，HTMT标准值小于0.90表明构念间具有区分性。
**统计分析与假设检验**：通过SEM-PLS分析提出的AI-HBCSSF框架。在0.01水平上，所有直接路径系数均具有统计显著性。八个假设中，除年龄在减少怀疑态度与习惯改变状态之间的调节效应、说服性特征对使用AI-HabitSS怀疑态度的效应、以及减少怀疑态度在说服性特征与习惯改变状态之间的中介效应外，其余假设均得到支持。说服性特征不显著可能是由于参与者不熟悉所包含的说服性特征项目（如主任务支持、对话支持、感知可信度、设计美学和社会支持）。情感特征、移动健康素养和应用程序使用习惯越高，使用AI-Habit的怀疑态度越低（如情感特征→怀疑态度=0.415，H1）。关怀和性别作为调节因素对习惯改变状态显示显著效应。年龄的调节作用不显著，可能是由于受访者年龄组分布不均。R2值显示，减少使用AI-HabitSS怀疑态度的R2为68.3%，习惯改变状态的R2约为60.1%，表明结构模型具有中等显著的预测能力。
**机器学习预测习惯改变状态类别**：数据集包含49个特征和220个样本。主要因变量"习惯改变状态"分为五个类别："非常小变化"、"小变化"、"中等变化"、"显著变化"和"非常显著变化"。随机森林（RF）在所有算法中达到最高准确率80%，SVM径向基函数核（73%）和SVM多项式核（71%）分别位列第二和第三。RF的精确率（0.87）也高于其他因素。在"SVM线性核"和"SVM径向基函数核"中，"非常显著变化"的召回率（0.91）达到最高值。SVM Sigmoid核在所有算法中结果最差。ROC曲线比较显示，随机森林的ROC AUC得分最高为0.902，其次是SVM线性核（0.773）和SVM多项式核（0.754）。结果表明，ROC AUC和准确率越高，基于可解释性、性能和其他标准的质量保证越显著。
**讨论与结论**
本研究在AI-Habit开发生命周期中采用定量、探索性、横断面系统思维方法，通过结合SEM-PLS-ML来制定习惯改变状态。提出的系统思维者、定量、探索性、横断面结合的SEM-PLS-ML来推导减少怀疑态度和习惯改变状态，是本研究在心血管领域人类可解释人工智能习惯改变支持系统方面的新颖性。这些组合与系统思维元素在习惯改变状态和决策支持系统开发生命周期中贡献了人工智能可解释性，并将人类和专家纳入回路。因此，本研究交付了具有质量保证框架的人类可解释人工智能习惯支持系统，以指导系统思维进行所需变更。首先，开发了减少使用AI-Habit怀疑态度和习惯改变状态的理论框架，并通过实证方法验证。然后，将提出的理论整合到基于习惯的行为改变系统V模型中，以确保人类人工智能可解释性，并将人脑、认知、意见纳入系统思维和人工智能系统开发生命周期回路。此外，专业人员和专家的意见作为人脑的一部分参与系统思维回路，以获得更多认知智能。设计科学研究方法为人类可解释人工智能-习惯研究与开发生命周期和流程提供了启示，而SEM-PLS-ML联合方法和人本化实证研究在回路中将人类可解释人工智能纠缠于习惯改变决策支持系统的系统思维中。因此，本研究重新设计了系统思维和人类可解释人工智能在回路中的习惯改变V模型（改编自Keikhosrokiani, 2026）。此外，基于研究发现提出了算法驱动的习惯改变状态质量保证系统思维者理论框架（Algo-QA System Thinker of HC），并作为理论AI-HBCSSF的一部分通过可解释人类人工智能的联合实验进行了实证验证。最后，设计了人类人工智能增强的习惯改变质量保证路径，以待在特定案例研究中验证。用户和医疗保健专业人员参与开发生命周期是本研究的一项真正优势，应予以强调，以用于护理路径验证以及作为新扩展智能系统方法的新共同设计 sessions。系统思维和人类可解释人工智能元素及认知特征在回路中，连同以习惯改变为中心的生命周期使用认知-情感说服性特征，增强了行为改变的计算系统思维理念。量子计算和认知智能优化系统思维过程作为未来视野。提出的方法减少了利益相关者、用户、开发者、工程师的挫败感、烦躁、犹豫；因此减少了认知负荷、偏见、错误情绪、扭曲；最终减少了在不同时代从脑智能到心血管医疗保健中使用医疗人类人工智能应用的怀疑态度。作为复杂的基于习惯的行为改变系统的一部分，系统思维和人类可解释人工智能在回路中被整合到提出的V模型中（改编自Keikhosrokiani, 2026），以使过程更加可解释。提出的习惯改变状态和改变怀疑态度的理论框架引导系统思维从理论到算法、计算思维，通过SEM-PLS-ML从需求到评估具有更多可解释性。来自不同受访者群体的系列评估为系统工程师和系统思维者提供了基于评估的特征、设计、开发和优化的价值。PLS-SEM-ML、预测建模的可解释性计算思维、算法思维。从理论到公式化预测、到计算、到算法开发、到评估、测试、验证，基于数据处理、风险评估、性能比较进行验证，最终实现模型可信度和质量保证以获得用户满意度和需求满足。回路中的决策降低风险并提高系统质量，具有更高的用户满意度。系统的可预测性使用SEM-PLS-ML增强系统思维能力、PLS中的自助法算法、预测建模、风险性，从而可信、高质量和人类可解释人工智能、认知或可解释人类人工智能。为改变特定行为，需要打破现有习惯并形成新习惯。因此，本研究采用Keikhosrokiani（2020b）的习惯改变支持移动医疗信息系统开发生命周期，基于上下文和历史习惯改变趋势为整个AI-Habit系统形成新习惯。AI-Habit作为"基于习惯的行为改变支持系统（HBCSS）用于心脏病易感人群"资助项目的一部分提出，旨在基于不同类型数据集（如生活方式习惯（饮食、运动、睡眠）、心音、心电图等）跟踪习惯改变趋势。提出的AI增强习惯形成开发生命周期（AI-Habit 6DLC）包含六个主要阶段。人类认知需要大量信息才能做出适当决策。基于认知负荷理论，大量处理过的数据和组织化的信息有助于复杂决策过程。同样，Laudon & Laudon（2021）提出了决策过程模型，其中处理良好的数据作为输入导致优化、分类的信息集用于决策。决策通过反馈回路增强以创造知识并将其转化为智慧。习惯改变需要迭代过程以在不同阶段打破和重塑习惯，最终实现高水平的分类以进行知情决策。习惯源于植根于人脑的认知、重复行为，可能基于个体背景和遗传。为改变用户习惯和行为，需要谨慎的策略以确保此类改变不是恶意的。在第一步中，需要对习惯改变和质量保证措施进行建模。定义质量指标为生命周期结束时的习惯改变评估创建基准，并为下一轮做出决策。为确保新的先进数字软件系统的成功，特别是在人工智能时代，怀疑态度已被探索为用户对新 technological 系统的可能认知反应，这降低了用户的接受度。打破复杂习惯需要迭代生命周期以确保几个周期后的习惯稳定性，并基于上下文信息优化习惯改变状态。在建模AI-Habit后，需要策略化情感和说服性特征以策略化习惯改变。然后迭代生命周期继续习惯识别和打破某些习惯，分别确保认知失调将发生以降低习惯改变状态。当执行打破复杂习惯时，将执行形成新习惯。之后，习惯改变的质量将基于AI-Habit 6DLC第一阶段的設計质量指标进行评估，以增强习惯改变并决定生命周期中的下一个迭代轮次。习惯点计算将在6DLC的每一轮中进行，习惯改变趋势分类将使用机器学习方法执行。习惯改变需要具有AI预测模型、情感和说服性特征的AI增强软件系统来促进改变。在习惯改变生命周期的第二轮中整合个性化特征加速打破和形成新习惯。本研究通过提出算法驱动的习惯改变状态质量保证系统思维者理论框架（Algo-QA System Thinker of HC）为知识体系做出贡献。提出的质量保证框架通过SEM-PLS-ML使用收集的数据作为定量、探索性、横断面研究的一部分进行了某种程度的实证验证。然而，该框架将随着新模型的更多质量因素而更新，其基于使用AI-HabitSS的怀疑态度事实对习惯改变状态进行分类。该框架通过整合情感说服性特征（包括情感特征、说服性特征、健康素养和移动应用使用习惯）来建模习惯，以打破习惯和形成新习惯。情感说服性特征的整合有助于识别新习惯，从而打破导致形成新的、增强习惯的旧习惯。需要进行评估以确定习惯改变是否发生并识别可能导致习惯状态改变的因素。基于评估，决策过程将开始更新习惯改变迭代开发生命周期的第二轮，采用新策略更新系统和新特征。正如Fogg（2020）所强调的，虽然决策不是自动行为，但"情感使行为更加自动化"。对行为的情感反应产生对强烈习惯的自动转变。因此，情感促进重复行为中习惯的形成，使得行为不再需要决策。此外，由于情感特征显著影响移动医疗信息系统的使用并改变用户习惯，提出的框架始于将情感特征整合到软件系统设计的理论框架中。情感特征根据情感理论提取和形成，如Schachter（1971）的情感双因素理论和Lazarus（2006）的认知评价理论，以克服压力。此外，本研究首先基于德尔菲研究整合简单的说服性特征（如奖励、任务支持、提醒等），然后将说服性特征重新整合到AI-HabitSS开发生命周期中。基于Oinas-Kukkonen和Harjumaa（2008）的说服性系统质量设计，将主任务支持、对话支持、可信度、社会支持以及美学可用性因素纳入系统特征，这些被确定用于改变用户的态度或行为。正如Bandura（1977）在社会认知理论中提到的，自我效能是行为改变的重要因素，因为它可以促进对改变的怀疑态度或改变行为的意图。基于Bandura的波波玩偶实验，观察他人执行行为加速了习惯改变的学习。因此，观察社会行为对自我效能有高度影响，从而对改变行为的怀疑态度有影响。信息质量，包括过时信息、不相关性、不准确性、不完整性等，显著影响使用系统的怀疑态度。最后，软件系统相关因素，如兼容性、便利性、可靠性和灵活性，也影响怀疑态度。为改变使用系统的怀疑态度 towards 使用意图，需要策略来增强信息相关性、可靠性、完整性、准确性等。人工智能和机器学习算法的进步可以增强习惯改变评估，基于习惯改变生命周期中的历史分析对习惯改变趋势进行分类。习惯点特征有助于习惯改变分类，从而有助于趋势分析。最后，基于习惯改变类别，预测习惯改变状态以策略性地决定习惯改变生命周期的下一轮，以增强习惯改变AI驱动系统，如本研究中的AI-HabitSS。AI-HabitSS维持习惯改变策略，除非发生认知失调，这需要一套新的更新个性化特征来鼓励使用以改变习惯。这一行动涉及在习惯改变开发生命周期的习惯识别和形成阶段首先引入新认知，以引入和形成支持行为改变的新信念。认知失调理论步骤有助于升级习惯形成以降低习惯改变状态。因此，认知失调、认知负荷和社会认知行为的评估将在每一轮习惯改变开发生命周期中需要。人类人工智能（HAI）增强的习惯改变保证路径以克服习惯改变状态。习惯改变保证路径源自提出的SEM-PLS-ML、从理论到算法、计算思维以及质量保证理论建模，以确保基于质量指标的习惯改变质量。提出的HAI增强习惯改变质量保证路径尚未进行实证验证，以用户在软件系统中注册开始，随后是初始评估以及个性化目标设定。虽然路径的一部分已通过SEM-PLS-ML进行质量保证的实证验证，但路径仍需在真实案例场景中测试、评估和评价，由用户和专业人员 towards 共享决策智能。共同设计会议优化路径步骤，以更精确、案例特定的替代解决方案作为开发过程和人类在系统思维回路中的一部分。过程的第三步整合行为改变理论、说服性设计、认知评价理论、认知失调理论、认知负荷理论和社会认知理论，设计习惯改变质量指标，用于在过程结束时评估习惯改变。质量保证指标包括多个维度，如个性化微习惯、行为改变元素、情感和说服性因素、失调因素以及社会和认知负荷维度。为评估对习惯改变或任何AI-HabitSS的怀疑态度，信任和透明度作为此阶段的主要项目。推荐和成功故事纳入评估，所需专家作为人类在回路中参与。在下一阶段，说服性特征，如习惯改变触发器、提醒、社会支持和社区、游戏化和定制消息，将在此路径阶段实施，以正向强化克服习惯改变状态。人工智能用于实施一些说服性特征，如游戏化、社会支持和定制消息，作为推荐。基于历史分析、习惯改变分类和趋势分析，路径的下一阶段监测用户的行为改变。开发基于特征的推荐系统以提供个性化反馈。接下来，创建分析仪表板以总结用户活动、习惯点、习惯改变和质量因素成就，用于用户和分配专家之间的共享决策。根据适当健康和福祉系统的习惯改变计划的性质，数据共享和紧急活动将整合到路径中。最后，基于质量保证框架进行持续反馈和监测。此外，反馈回路将在每一步实施，更新和交互将被监测以确保习惯改变质量和用户状态。
**结论翻译**
习惯被认为是一种可以通过重复自动化的行为类型，可应用于不同的健康行为，如饮食、身体活动、睡眠、吸烟等。为增加患者更健康的行为，可以控制习惯性行为。为控制习惯性行为，需要一个习惯改变支持移动医疗信息系统（AI-Habit）来提供意识、控制和改变患者的习惯以促进更健康的生活方式（Keikhosrokiani, 2020b）。评估是AI-Habit开发生命周期的必要步骤之一，因为它可以帮助系统开发人员在开发系统之前找到用户的需求和使用意图（Keikhosrokiani, 2019）。尽管结果显示说服性特征与使用怀疑态度之间没有显著效应，由于这类特征对习惯改变状态的巨大潜力，未来重新考虑假设或特征类型是有用的。消费者越来越多地使用医疗移动应用程序表明，明确需要教育消费者使其成为习惯并吸收使用意图以改善健康。目前，专注于AI-Habit的开发并在系统最终开发之前聚焦于其评估。因此，本研究提出了一个概念性AI-Habit-改变支持系统框架（AI-HBCSSF）以理解用户对使用AI-HabitSS的怀疑态度以及习惯改变状态。从分析中，研究人员可以推断关怀、情感特征、性别、使用移动应用的习惯和使用AI-Habit的意图均对习惯改变有显著影响。而说服性特征在提出的框架中不显著效应是由于作为说服性特征添加的受访者不熟悉的潜在项目。这些说服性特征包括主任务支持、对话支持、感知可信度、设计美学和社会支持。这些发现将有助于理解显著的因素，并可能有助于习惯改变支持系统以增强医疗保健和福祉系统中的决策过程。除提出的概念框架外，本研究的其他重要启示是AI增强习惯形成开发生命周期（AI-Habit 6DLC）、机器学习驱动的习惯改变状态理论框架（ML-RHB），最后是AI增强习惯改变保证路径以克服心脏病易感个体的改变阻力。尽管本研究的实证研究是定量、探索性、横断面的，但仍具有有限的普适性，未来可以通过涉及更多国家和大陆以及各种医疗人工智能设置来弥补。使用SEM-PLS-ML的HAI可解释习惯改变框架专注于减少对习惯改变状态的怀疑态度。越多可解释性继承到AI-Habit中，用户对可用性的怀疑态度就越少。尽管本研究尚未进行直接的可解释性测试及其对怀疑态度的影响，但使用SEM-PLS-ML的预测建模与实证验证将理论与算法、系统思维中的计算方法联系起来，以实现更多质量保证。实证验证和性能比较降低了预测风险，增强了可信度、系统质量，人类人工智能在回路中进行评估，在最终开发之前对用户满意度和习惯改变状态决策产生积极影响。随机森林优于其他算法，不仅具有更高的准确率，而且具有更高的AUC曲线分别约为0.80和0.902。这些发现有助于更好地理解人类处理改变的长期行为特征，基于塑造习惯行为和积极重新评价纵向轨迹的因素。它通过以人为本的认知方法增强质量保证，开发AI驱动的软件系统，为软件工程、系统思维和决策开辟新视野。因此，提出的智能手机应用程序方法可能提供一种新颖的方式来促进 towards AI-HabitSS的个性化认知行为改变。整合额外的人工智能元素以自动化习惯改变和质量保证路径将是未来研究的有希望方向。此外，设计说服性和质量保证框架支持软件开发过程并帮助确保用户习惯改变的质量。因此，观察学习过程将参与路径以基于质量维度策略化习惯改变。
