La nouvelle norme du coaching santé numérique — Comment le moteur de coaching IA en 8 étapes de HAVIT intègre personnalisation, feedback immédiat et déclencheurs comportementaux

1. Pourquoi les prescriptions statiques échouent — Preuves cliniques

Le schéma le plus courant dans les applications de régime est « objectif uniforme basé sur l'IMC + régime uniforme + exercice uniforme ». La littérature est claire sur les limites :

• Zeevi et al. (2015, Cell) — 800 individus ; les réponses glycémiques postprandiales variaient extrêmement d'une personne à l'autre pour les mêmes aliments. La prescription de régime uniforme a un faible soutien académique.
• Berry et al. (2020, Nat Med — PREDICT 1) — 1 002 jumeaux et individus ; les réponses postprandiales dominées par l'environnement/comportement/microbiome plutôt que par la génétique. La nutrition personnalisée a surpassé les directives standard.
• Patel et al. (2015, Ann Intern Med) — L'efficacité des outils de santé numérique évolue avec l'intégration de « personnalisation · immédiateté du feedback · déclencheurs comportementaux ».
• Tate et al. (2003, JAMA) — L'intervention comportementale numérique a produit 1,7× la perte de poids de la fourniture d'informations standard. Le cœur : la fréquence du feedback.

Résumé : L'état de l'utilisateur change au cours d'une seule journée, donc la prescription doit s'adapter à ce changement pour être efficace.

La semaine d'une personne ressemble à ceci :

• Lundi : nombreuses réunions → risque de déficit en protéines
• Mardi : 5 heures de sommeil → pic d'hormone de l'appétit (ghréline↑)
• Mercredi : travail tardif → envie de manger à l'extérieur, de grignoter
• Jeudi : normal → bonne journée d'exercice
• Vendredi : dîner d'entreprise → risque d'alcool, de suralimentation
• Samedi : activité élevée → marge calorique
• Dimanche : stase → récupération alimentaire

Prescrire le même régime quotidiennement est la racine de l'échec.

Hypothèse de HAVIT : L'efficacité s'améliore lorsque la prescription s'adapte en temps réel au cours de la journée — une conception basée sur des preuves académiques.

2. Fondements académiques — Modèle comportemental de Fogg + Théorie de l'autodétermination

La conception du moteur de coaching de HAVIT repose sur deux piliers des sciences comportementales :

2.1 Modèle comportemental de Fogg (BJ Fogg 2009, Persuasive Technology Conference)

B = M × A × P — Le comportement se produit lorsque Motivation, Capacité (Ability) et Invite (Prompt, terme original : Trigger) coexistent. Une faiblesse dans l'un empêche le comportement.

2.2 Théorie de l'autodétermination (Deci & Ryan 2000, Psychological Inquiry)

La motivation intrinsèque est maintenue lorsque trois besoins psychologiques sont satisfaits : autonomie, compétence, appartenance. La motivation extrinsèque (récompense, pression) ne produit que des effets à court terme et échoue dans le maintien à long terme (Teixeira et al. 2012, Int J Behav Nutr Phys Act).

Mettre en œuvre cela dans un système de coaching numérique signifie que motivation · capacité · déclencheur doivent opérer simultanément, tandis que la délivrance du message préserve autonomie · compétence · appartenance.

Le moteur en 8 étapes de HAVIT décompose cette exigence étape par étape.

3. Le moteur en 8 étapes — Résumé en une ligne

1. Classification de l'intention        (classifier l'intention de l'utilisateur en 8 catégories)
2. Recommandation Vector DB             (correspondance avec bibliothèque de 2 000+ comportements)
3. Génération de coaching CARE          (Compassion → Reconnaissance → Recommandation → Éducation)
4. Porte de sécurité                    (escalade à 3 niveaux, détection automatique des risques)
5. Personnalisation à 5 niveaux         (État → Type → Comportement → Persona → Jour)
6. POURQUOI scientifique à 3 couches    (Mécanisme → Effet → Personnalisation)
7. Intégration des médicaments GLP-1    (stades de traitement M0/M1/M2)
8. Localisation                         (33 langues × 40+ points d'entrée)

4. Étape 1 — Classification de l'intention

Un utilisateur envoie un message : « J'ai mangé de la malbouffe hier soir, que dois-je faire aujourd'hui ? »

Un chatbot générique fait correspondre les mots-clés « tard le soir, suralimentation, regret » et donne des réponses génériques. HAVIT classe parmi 8 intentions d'utilisateur :

Les classifications à faible confiance déclenchent des questions de suivi. La classification de l'intention est le fondement de la qualité du coaching — directement liée à l'exigence d'« autonomie » de la théorie de l'autodétermination (le système identifie avec précision ce que l'utilisateur veut).

5. Étape 2 — Recommandation Vector DB

Une fois l'intention classifiée, la correspondance s'effectue à partir de la bibliothèque de 2 000+ comportements.

Exemple d'entrée de bibliothèque :

action_id: A_0247
type: action alimentaire immédiate
trigger: intention #3 (guide d'action immédiate) + signal de suralimentation d'hier
title: "+20g de protéines, -100kcal de glucides au déjeuner aujourd'hui"
why_mechanism: les protéines augmentent les hormones de satiété (GLP-1, PYY)
why_effect: calories du prochain repas naturellement réduites (Westerterp-Plantenga 2009)
why_personalization: correspondance avec archétype utilisateur #47 (type déficient en protéines)
delivery: notification 30 min avant le déjeuner
fatigue_score: 0.3 (action similaire 0 fois dans les 7 derniers jours → fraîcheur↑)

Technique centrale — Rotation consciente de la fatigue : Répéter la même recommandation amène les utilisateurs à ignorer → l'efficacité de l'action tombe à 0 (« fatigue de l'invite » du modèle de Fogg). La Vector DB suit l'historique récent des recommandations et priorise les actions avec de faibles scores de fatigue (moins répétées). 5 à 10 actions d'effet similaire existent dans le pool pour maintenir la diversité.

→ S'aligne avec l'exigence de « compétence » de la théorie de l'autodétermination : les utilisateurs rencontrent de nouveaux défis et choix à chaque fois.

6. Étape 3 — Génération de coaching CARE

La façon dont l'action correspondante est délivrée détermine l'effet. HAVIT suit le cadre CARE :

C — Compassion
    « Repas tard le soir, tout à fait compréhensible. Difficile de ne pas être influencé après 5 heures de sommeil. »

A — Reconnaissance (Acknowledge)
    « C'est déjà arrivé, et il vous reste deux repas aujourd'hui. »

R — Recommandation
    « Ajoutez +20g de protéines au déjeuner → l'appétit du soir diminue naturellement. Options : 100g de blanc de poulet ou 200g de tofu. »

E — Éducation
    « Les protéines régulent naturellement les hormones de satiété. Pas un conseil générique — basé sur vos données moyennes de protéines sur 7 jours. »

Le cadre CARE est conçu pour remplir chacun des éléments B = M × A × P du modèle de Fogg :

• C + A → Motivation (besoins d'autonomie et d'appartenance de la théorie de l'autodétermination satisfaits)
• R → Capacité (options concrètes → coût comportemental réduit)
• E → Invite (pourquoi maintenant compte)

Sans CARE, un message « mangez simplement plus de protéines » — laisse les utilisateurs coincés dans la culpabilité et la généralité (limites de la motivation extrinsèque de la théorie de l'autodétermination).

7. Étape 4 — Porte de sécurité

Les prescriptions de changement de comportement peuvent aggraver le risque si elles sont erronées. HAVIT détecte automatiquement les signaux de risque via un système de sécurité à escalade à 3 niveaux :

Niveau 1 — Avertissement automatique
  Déclencheur : 0 repas sur 24h / calories quotidiennes extrêmement faibles / changements de poids rapides, etc.
  Action : « Vos calories ont été faibles récemment. Mangez-vous suffisamment ? »

Niveau 2 — Restriction comportementale
  Déclencheur : signal de niveau 1 pendant 3 jours consécutifs / étourdissements, maux de tête auto-déclarés
  Action : prescription auto-conservatrice + référence à un professionnel de santé

Niveau 3 — Référence médicale
  Déclencheur : signal de risque de trouble alimentaire (auto-déclaré ou schéma) / référence à l'automutilation
  Action : coaching général suspendu + ligne d'urgence · référence à un spécialiste

→ HAVIT est un outil non clinique mais cliniquement conscient dans sa conception. Bloque la possibilité que de mauvaises prescriptions mettent les utilisateurs en danger.

8. Étape 5 — Personnalisation à 5 niveaux

Couche d'« hyper-personnalisation » de HAVIT. Correspondance à 5 couches :

Couche 1 — État (état actuel)
  Signaux en temps réel : poids, composition corporelle, sommeil, humeur

Couche 2 — Type (type corporel·métabolique)
  126 archétypes (ex. : femme de 30 ans · faible masse musculaire · tard le soir · privée de sommeil)

Couche 3 — Comportement (schéma comportemental)
  Derniers 7~30 jours : alimentation, exercice, fréquence de journalisation, activité quotidienne

Couche 4 — Persona (type de personnalité·motivation)
  Challenger / Motivé par la récompense / Social / Analytique (personas de BJ Fogg)

Couche 5 — Jour (condition du jour)
  Jour de la semaine, emploi du temps, cycle menstruel (femmes), etc.

Une prescription correspondant aux 5 couches atteint l'utilisateur à chaque instant. Même moment, même archétype — mais persona/jour différent → prescription différente.

C'est la substance du N-of-1. La mise en œuvre de « prescription adaptée à un individu plutôt qu'à une moyenne » que Zeevi 2015 / Berry 2020 ont suggérée.

9. Étape 6 — POURQUOI scientifique à 3 couches

Renforce l'étape E (Éducation) de CARE. Chaque prescription comporte une justification à 3 couches :

Couche 1 — Mécanisme (physiologique)
  « Protéines → libération de CCK, GLP-1, PYY → satiété »

Couche 2 — Effet (empirique)
  « +20g de protéines → diminution moyenne des calories du prochain repas (Westerterp-Plantenga 2009) »

Couche 3 — Personnalisation (votre cas)
  « Votre archétype #47, schéma déficient en protéines, moyenne de la semaine dernière 88g — recommandé 112g, -24g de déficit »

→ Au lieu d'un générique « pourquoi les protéines sont bonnes pour le régime », preuves adaptées à vos données.

Les utilisateurs voient immédiatement pourquoi « l'IA leur a dit cela ». Répond à l'exigence de « compétence » de la théorie de l'autodétermination — les utilisateurs comprennent la base de leurs décisions.

10. Étape 7 — Intégration des médicaments GLP-1

Les utilisateurs de médicaments GLP-1 (Wegovy, Mounjaro, Zepbound) ont besoin de prescriptions différentes. HAVIT sépare par stades de traitement M0/M1/M2 :

• M0 (pré-médication) : mesure de référence + régime de préparation aux effets secondaires gastro-intestinaux
• M1 (adaptation) : préservation musculaire + préparation au plateau
• M2 (maintien/arrêt) : habituation comportementale + prévention de la reprise (réponse STEP 4)

Cette intégration met en œuvre le modèle « médicament + thérapie comportementale » recommandé par les directives de gestion clinique de l'obésité de l'OMS (2022) et les normes de soins de l'ADA (2024) — le même modèle où STEP 3 (Wadden et al. 2021, JAMA) a montré que l'IBT en combinaison produisait près de 3× la perte de poids des soins standard (-16% vs -5,7%).

La sortie du moteur en 8 étapes s'ajuste automatiquement au stade M de l'utilisateur :

• Utilisateur M1 demandant « comment va aujourd'hui ? » → protéines et force priorisées
• Utilisateur M2 → retour du bruit alimentaire et renforcement du signal comportemental

11. Étape 8 — Localisation (33 langues × 40+ points d'entrée)

La plupart des applications mondiales atteignent le niveau « traduire l'anglais vers d'autres langues ». HAVIT :

Localisation complète en 33 langues
  - Coréen, anglais, japonais, chinois (simplifié/traditionnel),
    espagnol, portugais (BR), indonésien, allemand, français, etc. — 33
  - Pas une simple traduction. Archétype, régime et signaux culturels tous localisés

40+ points d'entrée
  - Plus de 40 points où les utilisateurs entrent dans le coaching
  - Journalisation post-repas, mesure post-poids, alarmes, détection de plateau, signaux de risque
  - Chaque point d'entrée avec ton, longueur et timing appropriés

La « récupération de fin de soirée » d'un utilisateur américain et celle d'une autre région diffèrent. Les aliments, les horaires, les cultures et les expressions idiomatiques diffèrent. Les États-Unis sont l'un des marchés cibles principaux de HAVIT, et l'anglais/les expressions culturelles sont une priorité de première classe.

12. Scénario réel (illustratif)

Scénario : Femme de 35 ans, lendemain matin d'un repas tardif

[Événement] Utilisatrice : « J'ai mangé des ramen à minuit hier soir. Et maintenant ? »

[Étape 1] Intention : #3 (guide d'action immédiate) + secondaire #1 (culpabilité)
         Confiance 0,89 → classification confirmée

[Étape 2] Correspondance Vector DB :
         12 candidats → score de fatigue appliqué
         Sélection : A_0418 (régime de récupération protéines-d'abord)
         7 derniers jours similaire 0 fois → fraîcheur

[Étape 3] Génération CARE :
         C : « Ramen + tard le soir, après heures supplémentaires en semaine — tout à fait compréhensible. »
         A : « Hier est passé, trois repas restants aujourd'hui. »
         R : « Petit-déjeuner protéines 30g + déjeuner +50g de légumes. Affichage des options. »
         E : « Les protéines régulent naturellement les hormones de l'appétit. Auto-retenue du prochain repas. »

[Étape 4] Porte de sécurité : réussite (aucun signal de risque)

[Étape 5] 5 couches :
         État : calories d'hier +600 au-dessus
         Type : archétype #47 (femme de 30 ans · tard le soir · privée de sommeil)
         Comportement : moyenne de protéines sur 7 jours 78g (-34g de déficit)
         Persona : analytique (agit quand les données sont montrées)
         Jour : mardi, nombreuses réunions → options de déjeuner préparées à l'avance

[Étape 6] POURQUOI à 3 couches :
         Mécanisme : protéines → libération naturelle de GLP-1/PYY
         Effet : +20g → -150 kcal en moyenne au prochain repas (Westerterp-Plantenga 2009)
         Personnalisation : votre moyenne sur 7 jours 78g, recommandé 112g, -34g de déficit

[Étape 7] GLP-1 : pas sous médication → prescription standard

[Étape 8] Localisation :
         Langue : français (options alimentaires adaptées FR/CA/Maghreb + cartographie culturelle)
         Options alimentaires : yaourt grec + noix / bol de tofu / shake protéiné au soja
         Expression temporelle : matin (analytique → précise l'heure)
         Ton : analytique, concret, court

(※ Scénario illustratif. Les résultats réels des utilisateurs varient.)

13. Ce qui le distingue

Schéma d'application courante :

• Objectifs caloriques statiques (même prescription quotidienne)
• Archétype unique (tous les utilisateurs reçoivent le même guide alimentaire)
• Pas de rotation de fatigue (même recommandation répétée)
• Pas de porte de sécurité (pas de détection automatique des signaux de risque)

Différence HAVIT :

• 126 archétypes × 2 000+ actions × 5 couches × CARE × Porte de sécurité × M0/M1/M2 × 33 langues
• Nouvelle prescription par message (pas statique)
• Rotation de fatigue (évitement automatique de la fatigue de l'invite du modèle de Fogg)
• Porte de sécurité (blocage automatique des risques)
• Base académique attachée (modèle de Fogg, théorie de l'autodétermination, Zeevi/Berry, OMS/ADA)

C'est la différence entre un chatbot générique et un système de coaching basé sur les sciences comportementales.

14. Limites et améliorations futures

Limites actuelles :

1. Les 126 clusters d'archétypes sont un point de départ. Raffinement des archétypes nécessaire à mesure que la diversité des utilisateurs augmente.
2. Pas un outil de diagnostic médical. La porte de sécurité ne remplace pas les soins médicaux.
3. La bibliothèque de comportements est ancrée dans le domaine. Formation continue pour ajouter des régimes et exercices culturels diversifiés.
4. Validation de l'efficacité en cours. Estimation de la composition corporelle par IA : n=70 interne terminé, n=150 externe en cours. Efficacité de la prescription comportementale RCT en phase de conception séparée.

Feuille de route (exemples) :

• Raffinement des archétypes (expansion de la diversité régionale, ethnique, physiologique)
• Expansion de la bibliothèque d'actions
• Expansion des points d'entrée (intégration calendrier, météo, cycle menstruel)
• Auto-apprentissage multilingue des archétypes

15. Conclusion

L'efficacité des applications de santé numérique est proportionnelle à l'intégration de personnalisation × immédiateté du feedback × déclencheurs comportementaux (Patel 2015). Le moteur en 8 étapes de HAVIT intègre ces trois variables sur les fondements du modèle comportemental de Fogg (B = M × A × P) et de la théorie de l'autodétermination.

L'objectif du moteur en 8 étapes est de traduire la direction recommandée par la littérature — évaluation de la composition corporelle + intégration du mode de vie + prescription comportementale personnalisée — en expérience utilisateur réelle. Les États-Unis sont l'un des marchés cibles principaux de HAVIT, où l'anglais et les expressions culturelles sont une priorité de première classe. (HAVIT n'est pas un outil de diagnostic médical ; le diagnostic clinique et les décisions thérapeutiques relèvent du domaine du médecin.)