國立臺灣大學公共衛生學院

AI重塑健康行為研究！邁向「動態觀察」新典範

文／國立臺灣大學健康行為與社區科學研究所翁書偉助理教授

　　近年來，人工智慧（Artificial Intelligence, AI）的快速發展，使生成式AI、大型語言模型及智慧醫療等應用逐漸走入大眾視野。然而，對健康行為研究而言，AI最重要的影響，並非協助研究者撰寫文章或分析資料，而是改變了健康行為研究蒐集、觀察與理解人類行為的方式。這項改變不只是研究工具的更新，更代表健康行為科學正逐步邁向新的研究典範。

　　過去數十年來，健康行為研究主要建立在問卷調查、訪談及臨床評估等資料之上。研究者透過詢問受試者過去一週抽了多少菸、最近一個月喝酒幾次，或是否曾出現憂鬱、感受壓力或經歷睡眠問題，以分析健康行為的危險因子與保護因子。這些方法奠定了健康行為科學的重要基礎，也支持許多公共衛生政策與健康促進介入。然而，此類研究多半依賴受試者對過去經驗的回憶，因此容易受到回憶偏差、社會期許偏差及情緒狀態影響，使研究者所觀察到的，往往是經過整理與簡化的結果，而非健康行為真正發生的歷程（Shiffman et al., 2008）。

　　近二十年來，生態瞬時評估（Ecological Momentary Assessment, EMA）的發展逐漸改善了上述限制。EMA利用智慧型手機在日常生活中多次蒐集個體當下的情緒、壓力、環境與健康行為，使研究者得以在真實生活情境中觀察行為，而非依賴事後回憶。隨著智慧型手機、穿戴式裝置及物聯網技術日益普及，研究資料也從受試者主動填答的問卷，擴展至 GPS 定位、身體活動量、睡眠型態、心率、生理訊號及手機使用模式等被動感測資料。AI 的重要角色，在於整合這些來源多元、頻率極高且彼此交互影響的大量資料，辨識傳統統計分析較難發現的行為模式與變化軌跡（Bufano et al., 2023）。

　　這種以連續數位資料描繪個體行為特徵的方法，被稱為「數位表徵（digital phenotyping）」（Insel, 2017）。相較於傳統研究僅在固定時間點測量個人的健康狀態，數位表徵強調透過日常生活中的數位足跡，持續量化個體的行為、心理與生理變化。例如，在戒菸研究中，研究者不再僅知道一位受試者一週抽了多少支菸，而是能夠觀察睡眠品質下降、工作壓力增加、進入熟悉的吸菸場所，以及吸菸渴求升高等事件如何共同促成吸菸行為。研究焦點因此不再只是描述健康行為的結果，而是開始理解健康行為如何在真實生活中逐步形成。

　　重要的是，AI與數位健康科技的發展，也促使研究者重新思考健康行為理論的基本假設。健康信念模式、計畫行為理論及社會認知理論等經典理論，至今仍是理解健康行為的重要基礎；但這些理論多建立在相對靜態的研究設計之上。近年的數位表徵研究顯示，健康行為更接近一個持續變化的動態系統。同一個人的戒菸意願、物質使用渴求或運動動機，可能在一天之內隨著睡眠、情緒、社交互動及環境暴露而改變。過去研究所測量的，往往只是這些心理歷程中的一個片段，而非完整的行為形成過程。因此，AI帶來的重要啟示並非推翻既有理論，而是提供機會將健康行為理論與高頻、連續且多模態的數位資料相互結合，重新理解健康行為形成的動態機制。

　　對物質使用研究而言，這樣的轉變尤其重要。吸菸、飲酒及其他物質使用行為，通常受到心理、生理、社會與環境因素共同影響，而非單一危險因子所造成。傳統研究多著重於比較不同個體之間的差異，例如哪些族群較容易吸菸，或哪些人具有較高的酒精依賴風險；AI與數位表徵則使研究者進一步探索同一個人在不同時間點的行為變化。其價值不僅在於提升預測準確性，更在於協助辨識健康風險如何在不同情境下逐步累積，並揭示行為形成的時間序列與生活脈絡。

　　這項能力也促成健康促進策略的重要轉變。近年逐漸發展的即時適應性介入（Just-in-Time Adaptive Intervention, JITAI），便是利用演算法或AI與即時資料，在個體最需要協助的時刻提供最適當的介入（Nahum-Shani et al., 2018）。例如，當系統偵測到睡眠品質下降、壓力升高，或個人進入過去經常吸菸的場所時，可即時提供戒菸策略、壓力調適技巧或社會支持資源。相較於傳統「一體適用」的健康教育模式，這種依據個人情境與時間點所設計的介入，更符合健康行為受到環境與情境共同影響的特性。

　　此一特性已逐漸從概念驗證走向臨床實證。2025 年發表於JAMA Network Open的一項隨機對照試驗，納入454名美國低收入成人吸菸者，比較結合EMA與JITAI的智慧型手機系統Smart-T，以及美國國家癌症研究所開發的戒菸應用程式QuitGuide。Smart-T會蒐集戒菸渴求、壓力、吸菸誘惑及情境資訊，並利用演算法估計復用風險，在高風險時刻提供個人化支持訊息及尼古丁替代療法提醒。研究結果顯示，Smart-T使用者在 26 週時的生化驗證戒菸成功率顯著高於QuitGuide使用者，也展現較高的App使用率及介入接受度（Hébert et al., 2025）。這項研究雖未直接宣稱Smart-T為AI工具，但已展現演算法與未來AI的價值並非僅止於提升預測能力，而是能將健康行為研究所得的即時資訊，轉化為日常生活中的個人化健康促進介入。

　　回顧健康行為科學的發展，每一次重要突破皆伴隨研究方法與資料來源的革新。從紙本問卷、流行病學調查，到生態瞬時評估與數位表徵，研究者對健康行為的理解逐漸由靜態描述走向動態觀察。AI的真正價值，不在於取代健康行為科學，而在於提升研究者觀察健康行為的「解析度」，使過去難以量化的生活脈絡與行為歷程得以被系統性分析。未來健康行為科學的發展，將取決於AI技術的進步，更有賴於健康行為理論、資料科學、因果推論及公共衛生價值之間的跨領域整合。AI不應只是健康行為研究的新工具，而應成為推動健康行為理論演進的新契機；真正被重新定義的，並非AI本身，而是健康行為科學理解人類行為的方式。

參考文獻

Bufano, P., Laurino, M., Said, S., Tognetti, A., & Menicucci, D. (2023). Digital Phenotyping for Monitoring Mental Disorders: Systematic Review. Journal of Medical Internet Research, 25, e46778. https://doi.org/10.2196/46778

Hébert, E. T., Kendzor, D. E., Vidrine, D. J., Langford, J. S., Kezbers, K. M., Montgomery, A., Chen, M., Frank-Pearce, S. G., Vesely, S. K., Chen, S., Barrett, Z. C. W., & Businelle, M. S. (2025). Just-in-Time Adaptive Intervention for Smoking Cessation in Low-Income Adults: A Randomized Clinical Trial. JAMA Network Open, 8(8), e2526691. https://doi.org/10.1001/jamanetworkopen.2025.26691

Insel T. R. (2017). Digital Phenotyping: Technology for a New Science of Behavior. JAMA, 318(13), 1215–1216. https://doi.org/10.1001/jama.2017.11295

Nahum-Shani, I., Smith, S. N., Spring, B. J., Collins, L. M., Witkiewitz, K., Tewari, A., & Murphy, S. A. (2018). Just-in-Time Adaptive Interventions (JITAIs) in Mobile Health: Key Components and Design Principles for Ongoing Health Behavior Support. Annals of Behavioral Medicine, 52(6), 446–462. https://doi.org/10.1007/s12160-016-9830-8

Shiffman, S., Stone, A. A., & Hufford, M. R. (2008). Ecological momentary assessment. Annual Review of Clinical Psychology, 4, 1–32. https://doi.org/10.1146/annurev.clinpsy.3.022806.091415

----------------------------------------------------------------------

公衛四季：臺大公衛電子報第023期【2026秋季號】文章延伸閱讀

分享到: