LLMs als Sprungbrett für Verstärkungslernen in digitaler Gesundheitsveränderung

In einer aktuellen Studie aus dem arXiv-Repository wird gezeigt, dass große Sprachmodelle (LLMs) sofort einsatzbereit sind, um Trainingsdaten für Verstärkungslernalgorithmen im Bereich der digitalen Gesundheitsveränderung zu generieren. Durch die Simulation von Nutzerinteraktionen liefern LLMs wertvolle Samples, die ohne echte Daten auskommen und dennoch die Leistung von Modellen verbessern.

Die Forscher haben reale Nutzerdaten aus vier umfangreichen Verhaltensänderungsstudien als Referenz verwendet. Dabei konnten sie nachweisen, dass die von LLMs erzeugten Samples die gleiche Effektivität erreichen wie Samples, die von menschlichen Ratern erstellt wurden. Dies bedeutet, dass KI-gestützte Datenaugmentation ein praktikabler Ansatz ist, um die Entwicklung personalisierter Gesundheitsanwendungen zu beschleunigen.

Ein weiterer Schwerpunkt der Arbeit lag auf der Untersuchung verschiedener Prompting-Strategien. Kurz- und Langprompt, Chain-of-Thought-Ansätze sowie Few-Shot-Prompting wurden verglichen. Die Ergebnisse zeigen, dass die Wirksamkeit stark von der spezifischen Studie und dem eingesetzten LLM abhängt. Besonders auffällig waren die Unterschiede, die allein durch unterschiedliche Formulierungen des Prompts entstehen.

Basierend auf diesen Erkenntnissen geben die Autoren konkrete Empfehlungen für die Praxis: Wählen Sie ein leistungsfähiges LLM, testen Sie mehrere Prompt-Varianten und vergleichen Sie die generierten Samples mit einer kleinen Stichprobe menschlicher Bewertungen. Durch diese Vorgehensweise können Entwickler schneller robuste Verstärkungslernmodelle für digitale Gesundheitsanwendungen erstellen und gleichzeitig die Kosten für Datensammlungen reduzieren.