جوجل جيميني: آفاق جديدة في رؤى الصحة الشخصية
على الرغم من كونه حديث الولادة منذ ستة أشهر فقط، أثبت جوجل جيميني قدراته الاستثنائية في مجالات الأمان، والتشفير، وتصحيح الأخطاء، وغيرها، لكنه أظهر أيضًا بعض القيود الملحوظة. الآن، يتجاوز هذا النموذج اللغوي الكبير (LLM) الخبراء البشر في تقديم نصائح حول النوم واللياقة البدنية.
تقديم نموذج اللغة الكبير للصحة الشخصية (PH-LLM)
كشف الباحثون في جوجل عن نموذج اللغة الكبير للصحة الشخصية (PH-LLM)، وهو إصدار متخصص من جيميني مُصمم لتفسير وتحليل بيانات الصحة الشخصية الزمنية من أجهزة مثل الساعات الذكية وأجهزة قياس نبضات القلب. أظهرت التجارب المقارنة أن PH-LLM يتفوق باستمرار على المحترفين ذوي الخبرة في مجالات الصحة واللياقة البدنية.
يقول الباحثون: "عملنا يوسع استخدام النموذج إلى ما هو أبعد من توقع حالات الصحة إلى توليد مخرجات متسقة، وسياقية، وقد تكون وصفية بناءً على سلوكيات صحية معقدة."
جيميني كمستشار للنوم واللياقة البدنية
توفر التكنولوجيا القابلة للارتداء تدفقًا مستمرًا من البيانات لمراقبة الصحة، بما في ذلك سجلات التمارين والأكل، ومذكرات المزاج، وحتى النشاطات على وسائل التواصل الاجتماعي. ومع ذلك، أشار الباحثون إلى أن الرؤى القيمة المستمدة من البيانات المتعلقة بالنوم، والنشاط البدني، والصحة القلبية الأيضية، والضغط النفسي غالبًا ما تُستخدم بشكل غير كافٍ في الإعدادات السريرية، على الأرجح بسبب التحديات المتعلقة بالسياق والتحليل.
بينما تميزت LLMs في الإجابة على الأسئلة الطبية، وتحليل السجلات الصحية الإلكترونية، والتقييمات النفسية، إلا أنها واجهت صعوبة في تفسير وتقديم توصيات بناءً على بيانات الأجهزة القابلة للارتداء. لكن الاختراق الذي حققه PH-LLM هو قدرته على تقديم توصيات وتنبؤات مخصصة تتعلق بجودة النوم واللياقة.
قدمت اختبارات PH-LLM نتائج مثيرة للإعجاب، حيث حقق 79% في اختبارات النوم و88% في تقييمات اللياقة، متفوقًا على المتوسطات التي حققها المدربون المحترفون وخبراء النوم، والذين سجلوا 71% و76% على التوالي.
إظهار قدراته
في أحد الأمثلة، عندما طُلب منه تحليل بيانات نوم رجل بعمر الخمسين، حدد PH-LLM مشكلات مثل صعوبة النوم وأكد على أهمية النوم العميق للتعافي. قدم نصائح قابلة للتطبيق: "اجعل غرفة نومك باردة ومظلمة، تجنب القيلولة، والتزم بجدول نوم منتظم."
عندما استُفسر عن انقباضات العضلات أثناء تمرين الضغط، حدد PH-LLM نوع الانقباض بشكل صحيح على أنه "مركزي". وفي حالة أخرى تتعلق بمشكلات النوم المبلغ عنها ذاتيًا استنادًا إلى بيانات الأجهزة القابلة للارتداء، توقع بدقة صعوبات في بدء النوم.
استنتج الباحثون: "تسلط هذه النتائج الضوء على قاعدة المعرفة الواسعة وقدرات نماذج جيميني، مما يشير إلى الحاجة لمزيد من التطوير في مجال الصحة الشخصية الحيوية."
رؤى مخصصة مدعومة بالبيانات
لتحقيق هذه النتائج، قام الباحثون بتجميع ثلاث مجموعات بيانات لتقييم الرؤى المخصصة والتوصيات بناءً على النشاط البدني، وأنماط النوم، والاستجابات الفسيولوجية. قاموا بتطوير 857 دراسة حالة (507 متعلقة بالنوم و350 متعلقة باللياقة البدنية) بالتعاون مع خبراء في الصناعة. شملت كل دراسة حالة بيانات أجهزة الاستشعار القابلة للارتداء على مدى فترات طويلة، ومعلومات ديموغرافية، وتفسيرات الخبراء.
دُرست هذه الدراسات مقاييس متنوعة، بما في ذلك درجات النوم العامة، ونبضات القلب، ومدد النوم، ومستويات النشاط، مما أدى إلى توصيات مخصصة لتحسين عادات النوم واللياقة البدنية.
أشار الباحثون إلى أن "دراستنا تظهر أن PH-LLM يمكنه تكامل البيانات المجمعة بشكل سلبي من الأجهزة القابلة للارتداء إلى رؤى واقتراحات مخصصة لتحسين النتائج الصحية."
التحديات القادمة لتطبيقات الصحة الشخصية
ومع ذلك، اعترف الباحثون بأن PH-LLM لا يزال في مراحله الأولى ويتطلب المزيد من التحسين. بعض ردود النموذج المولدة افتقرت إلى الاتساق، وكانت هناك خواطر موجودة في مختلف دراسات الحالة. أحيانًا، أغفل النموذج جوانب حاسمة تتعلق بالنوم واللياقة، مما يدل على أن عينة التدريب قد لا تمثل تمامًا اهتمامات الصحة لدى السكان بشكل عام.
كتب الباحثون: "نحن نشدد على أن هناك عملاً كبيرًا لا يزال مطلوبًا لضمان أن تكون LLMs موثوقة وآمنة وعادلة في تطبيقات الصحة الشخصية." يشمل ذلك تقليل الخواطر، ومعالجة الظروف الصحية الفريدة، وضمان بيانات تدريب متنوعة.
بشكل عام، أكد الباحثون: "تعتبر هذه الدراسة علامة فارقة نحو إنشاء LLMs تقدم معلومات وتوصيات مخصصة، مما يمكّن الأفراد من تحقيق أهدافهم الصحية بشكل أفضل."
قائمة الترتيب
