AIを使う減量支援では、体重や身体活動にどんな変化があったのか。会話型支援の系統的レビューと、人の電話やメッセージをAIで組み合わせた試験を読み、体重・身体活動・支援にかかった時間を分けて確かめる。返答の親しみやすさと治療の確かさを混同せず、自分に必要な相談相手を考える。
食べ過ぎたことを相談画面に入力すると、自分に向けた返答が届く。次の食事や運動の話まで続けば、減量の伴走者ができたように感じるだろう。一方、会話型の支援を調べた系統的レビューは、身体活動への可能性を認めながら、食事や体重管理を含めた有効性について確かな結論を出せなかった。[12]
ここには、会話が成立することと、その会話で体重が変わることの距離がある。さらに、人の指導にAIを組み込む方法と、AIだけに相談する方法も違う。人の電話や文字のやり取りを組み合わせた予備試験は、体重に加えてコーチが支援に使った時間も評価した。[15]
スマートフォンの減量アプリ全般は「スマホの減量アプリは何kgの差を生むのか」の記事に譲る。ここで焦点を当てるのは、画面に表示される助言の量よりも、誰が応答し、どのように支援を選び、その先に何を測ったかだ。肥満管理の新しいレビューも、デジタル支援全体の成果とAI固有の効果を分けて評価している。[18]
会話できるAIにも、違う仕組みがある
会話型AIの試験と聞いて、いま使っている相談画面を思い浮かべる前に、研究で使われた相手を確かめたい。2021年の系統的レビューに含まれた研究のうち56%は、決まった規則に沿って応じる方式のチャットボットを使っていた。残りは、人同士のやり取りに似た、制約の少ない会話を行う方式として分類されていた。[12]
前者は、あらかじめ用意された道筋に応じて質問や返答を選ぶ相手と考えると分かりやすい。会話という窓口が同じでも、何を入力でき、何に応えられるかが違う。このレビューの対象を、現在の大規模言語モデル、つまり多くの言語データを扱って文章を生成する仕組み全般と同一視するのは早い。肥満医療のレビューでも、自然言語処理や大規模言語モデルは、さまざまなAI技術の一部として整理されている。[2][12]
名前や人らしさも調べられた。会話型支援のレビューでは、89%の研究でチャットボットに名前があり、33%で女性という性別が設定されていた。[12] 名前と性別は、介入に使われた相手の特徴を記述した項目である。
相談相手の呼び名を覚えることと、食事の習慣が変わることは、それぞれ別に測る課題になる。親しみのある返答は入口の印象を作るが、研究を読むときには、会話の性質、実際の利用、健康の結果という順で確認したい。レビュー自体が介入の設計や報告の標準化を求めており、相手の見た目だけでは試験同士を比べにくい状況がある。[12]
初日の汗は、予約した人だけが持ち帰れる。
身体活動の手応えを、体重の効果に移さない
その系統的レビューは、無作為化比較試験と準実験研究を対象にした。無作為化比較試験は参加者を偶然の方法で群に分ける研究であり、準実験研究は、それと同じ割り付けを必ずしも行わず介入を評価する研究である。採用された9研究の内訳は、無作為化比較試験が4、準実験研究が5だった。[12]
身体活動を扱った7研究のうち5研究は、チャットボットによる支援が活動を増やす方法として有望だと示唆した。一方、食事や体重の変化を扱う研究は限られ、研究間で結果の測り方や報告もそろっていなかった。著者らは、身体活動、食事、体重管理・減量の効果について決定的な結論には至らなかった。[12]
このレビューでは、医学・心理学に加えて計算機科学の分野を含む6つの文献データベースを検索した。得られた1,692件から採用条件を満たす9研究を選び、研究ごとの偏りの危険も評価している。選別には独立した複数の評価者が関わり、意見が分かれたときは別の評価者が判断した。[12]
たとえば、利用者が活動の助言を受けていたとしても、評価するのが身体活動か体重かで答えは変わる。減量を目的に選ぶなら、活動の結果を入口にしつつ、その支援で体重も調べたのかを確かめる読み方になる。会話の回数、活動の変化、体重の変化を一列の成功物語にするより、どこまで測られたかを分けたほうが、期待を具体化できる。[12][18]
人の支援をAIで選んだ試験では何が起きたか
相談相手の使い分けに近い研究として、Formanらの予備試験がある。参加者52人は、まず1か月間、集団で対面の行動的減量支援を受けた。その後の段階で、3か月間、週2回の遠隔支援を受ける群に無作為に割り付けられた。[15]
比較の一方は、毎回10分の電話を受ける、最適化しない支援だった。もう一方は、電話、文字のやり取り、自動メッセージをアルゴリズムが選ぶ支援だった。使われた強化学習とは、反応の実績に応じて次の選択を調整するAIの考え方である。この研究では、個人の過去の反応に基づく方法と、限られた支援時間の中で集団全体を調整する方法が試された。[15]
遠隔支援の段階での平均減量率は、最適化しない群で4.42%、個人に合わせる群で4.56%、集団全体で調整する群で4.39%だった。著者らは、ほぼ同等の減量を得ながら支援費用をおよそ3分の1にできたと報告した。参加者当たりのコーチの時間は、最適化する両群で1.73時間と1.77時間、比較群で4.38時間だった。[15]
注目する点は、体重の数字が大きく上回ったことより、人の支援に使う資源を減らしながら近い結果を得たことにある。相談の仕組みを考える際には、いつも同じ電話を続ける方法のほかに、反応に応じて連絡手段を選ぶ設計が研究されている。[15]
ただし、この試験には最初の対面支援があり、その後も人の電話や文字のやり取りが含まれる。参加者とコーチの双方が受け入れ、実際に運用できたという評価が得られた小規模な予備試験である。[15]
AI研究の多さと、減量試験の厚さは違う
成人の減量とAIを広く整理した2021年のスコーピングレビュー、つまり研究の広がりを地図のように整理するレビューでは、66研究が採用された。全研究に自己モニタリングが含まれ、目標設定の最適化や行動の自己制御も調べられていた。食品や食べ方、身体活動などを認識する用途が多く、リアルタイムに小さな個別介入を行う用途もあった。[8]
ところが、平均の体重減少を報告したのは6研究で、減少率は2.4〜4.7%、統計学的に有意だったのは2研究だった。[8] この幅は、誰でもその割合だけ痩せるという予測値ではない。異なる支援を扱った研究で報告された値であり、会話型AIだけをまとめた減量効果とも区別される。
肥満研究全体を調べた別のレビューでは、従来の統計手法と比較した22研究のうち18研究で、AIの予測精度が高かった。評価に用いたのはテスト用のデータであり、集めた情報から肥満に関わるパターンを見つける能力が検討された。[1]
2026年の系統的レビューも、肥満予防を掲げる研究群では、肥満の検出に関する手法への関心が中心で、予防、管理、治療は十分に調べられていないと指摘した。[11] AIが論文の題に登場する頻度と、日常の相談相手として役立つ確かさは、違う尺度で見たい。
自己モニタリング以外の中身も見ると、66研究のうち目標設定の最適化を扱ったのは10研究、自己制御を扱ったのも10研究だった。用途別では、食品や動作などを認識する機械知覚が50研究、予測分析だけが6研究、その場のデータを用いて個別の小さな働きかけを行うものが10研究だった。[8] 入力した食事を認識する機能、行動が崩れる場面を予測する機能、崩れそうなときに声をかける機能というように、同じAI支援でも担う仕事が変わる。
このレビューで予測の対象になったのは、体重減少だけでなく、介入への参加、食事の計画からの逸脱、感情に伴う摂食だった。個別介入の研究では、行動のデータをその場で集め、予測モデルを調整し、適応的な促しで自己制御を助ける仕組みを評価していた。[8] 食事を写真で捉える段階から、実際に食べるときの働きかけまで、研究の対象には複数の段階がある。
数字で読む会話型支援と減量研究
9研究：会話型AIの系統的レビューに採用された研究数。無作為化比較試験と準実験研究を含む。[12]
5／7研究：身体活動への有望な結果を示唆した研究。体重の成功率を示す分数ではない。[12]
52人：人の連絡手段をAIで最適化した予備試験の参加者。自由な会話だけを試した人数とは違う。[15]
6研究：成人のAI減量支援の広いレビューで平均減量を報告した研究。研究数全体と結果の充実度を分ける手掛かりだ。[8]
初日の汗は、予約した人だけが持ち帰れる。
1
2
