數位健康教練的新標準 — HAVIT 8 步驟 AI 教練引擎如何整合個人化、即時回饋與行為觸發

1. 為何靜態處方會失敗 — 臨床證據

飲食 app 最常見的模式是「基於 BMI 的統一目標 + 統一飲食 + 統一運動」處方。文獻對其限制非常明確:

• Zeevi et al. (2015, Cell) — 800 名受試者;相同食物的餐後血糖反應在不同個體間差異極大。統一飲食處方缺乏學術支持。
• Berry et al. (2020, Nat Med — PREDICT 1) — 1,002 名雙胞胎與個體;餐後反應主要受環境/行為/微生物群影響,而非遺傳。個人化營養優於標準指南。
• Patel et al. (2015, Ann Intern Med) — 數位健康工具的有效性與「個人化·回饋即時性·行為觸發」的整合程度成正比。
• Tate et al. (2003, JAMA) — 數位行為介入產生的減重效果是標準資訊提供的 1.7 倍。核心:回饋頻率。

總結:使用者狀態在一天內就會改變,因此處方必須適應這種變化才能有效。

一個人的一週看起來像這樣:

• 週一:會議多 → 蛋白質不足風險
• 週二:睡 5 小時 → 食慾荷爾蒙(飢餓素↑)激增
• 週三:加班晚 → 外食、零食衝動
• 週四:正常 → 適合運動的日子
• 週五:公司聚餐 → 酒精、過食風險
• 週六:高活動量 → 熱量空間
• 週日:靜態 → 飲食恢復

每天開相同的飲食處方是失敗的根源。

HAVIT 的假設:當處方在一天內即時適應時,有效性會提升 — 這是基於學術證據的設計。

2. 學術基礎 — Fogg 行為模型 + 自我決定理論

HAVIT 教練引擎的設計建立在兩大行為科學支柱上:

2.1 Fogg 行為模型(BJ Fogg 2009, Persuasive Technology Conference)

B = M × A × P — 當動機(Motivation)、能力(Ability)與提示(Prompt,原稱 Trigger)同時存在時,行為才會發生。任何一項不足都會阻止行為。

2.2 自我決定理論(Deci & Ryan 2000, Psychological Inquiry)

當三種心理需求得到滿足時,內在動機才能持續:自主性、勝任感、關聯性。外在動機(獎勵、壓力)只產生短期效果,無法長期維持(Teixeira et al. 2012, Int J Behav Nutr Phys Act)。

在數位教練系統中實現這些理論,意味著動機·能力·觸發必須同時運作,同時訊息傳遞要保留自主性·勝任感·關聯性。

HAVIT 的 8 步驟引擎逐步分解這項要求。

3. 8 步驟引擎 — 單行摘要

1. 意圖分類                (將使用者意圖分為 8 類)
2. 向量資料庫推薦          (與 2,000+ 行為資料庫匹配)
3. CARE 教練生成           (同理 → 認可 → 建議 → 教育)
4. 安全閘門                (3 級升級,自動風險偵測)
5. 5 層個人化              (狀態 → 類型 → 行為 → 人格 → 當日)
6. 3 層科學 WHY            (機制 → 效果 → 個人化)
7. GLP-1 藥物整合          (M0/M1/M2 治療階段)
8. 在地化                  (33 種語言 × 40+ 進入點)

4. 步驟 1 — 意圖分類

使用者發送訊息:「我昨晚吃了垃圾食物,今天該怎麼辦?」

一般聊天機器人會關鍵字匹配「深夜、過食、後悔」並給出通用答案。HAVIT 在 8 種使用者意圖中分類:

低信心分類會觸發後續問題。意圖分類是教練品質的基礎 — 直接關聯到自我決定理論的「自主性」要求(系統準確識別使用者想要什麼)。

5. 步驟 2 — 向量資料庫推薦

意圖分類完成後,匹配從 2,000+ 行為資料庫中抽取。

資料庫條目範例:

action_id: A_0247
type: 即時飲食行動
trigger: 意圖 #3(即時行動指南)+ 昨日過食訊號
title: 「今天午餐 +20g 蛋白質,-100kcal 碳水化合物」
why_mechanism: 蛋白質增加飽足感荷爾蒙(GLP-1, PYY)
why_effect: 下一餐熱量自然減少(Westerterp-Plantenga 2009)
why_personalization: 使用者原型 #47(蛋白質不足型)匹配
delivery: 午餐前 30 分鐘通知
fatigue_score: 0.3(過去 7 天類似行動 0 次 → 新鮮度↑)

核心技術 — 疲勞感知輪替: 重複相同建議會導致使用者忽略 → 行動有效性降至 0(Fogg BM 的「提示疲勞」)。向量資料庫追蹤近期推薦歷史,優先選擇疲勞分數低(較少重複)的行動。資料池中存在 5–10 個效果相似的行動以維持多樣性。

→ 符合自我決定理論的「勝任感」要求:使用者每次都遇到新挑戰與選擇。

6. 步驟 3 — CARE 教練生成

匹配行動的傳遞方式決定效果。HAVIT 遵循 CARE 框架:

C — 同理(Compassion)
    「深夜進食,完全可以理解。睡 5 小時後很難不被影響。」

A — 認可(Acknowledge)
    「已經發生了,你今天還有兩餐。」

R — 建議(Recommend)
    「午餐增加 +20g 蛋白質 → 晚上食慾自然降低。雞胸肉 100g 或豆腐 200g 選項。」

E — 教育(Educate)
    「蛋白質自然調節飽足感荷爾蒙。不是通用建議 — 基於你 7 天蛋白質平均數據。」

CARE 框架設計用於填補 Fogg BM 的 B = M × A × P 每一項:

• C + A → 動機(滿足 SDT 的自主性與關聯性需求)
• R → 能力(具體選項 → 降低行為成本)
• E → 提示(為何現在重要)

沒有 CARE,「多吃蛋白質」的訊息 — 讓使用者困在罪惡感與籠統性中(SDT 的外在動機限制)。

7. 步驟 4 — 安全閘門

行為改變處方如果錯誤可能加劇風險。HAVIT 透過 3 級升級安全系統自動偵測風險訊號:

第 1 級 — 自動警告
  觸發:24 小時零進食/極低每日熱量/快速體重變化等
  行動:「你最近熱量很低。你吃得夠嗎?」

第 2 級 — 行為限制
  觸發:第 1 級訊號連續 3 天/自我報告頭暈、頭痛
  行動:自動保守處方 + 轉介醫療專業人員諮詢

第 3 級 — 醫療轉介
  觸發:飲食失調風險訊號(自我報告或模式)/自我傷害提及
  行動:暫停一般教練 + 緊急熱線·專科醫師轉介

→ HAVIT 是非臨床工具,但設計上具臨床意識。阻止錯誤處方危害使用者的可能性。

8. 步驟 5 — 5 層個人化

HAVIT 的「超個人化」層。5 層匹配:

第 1 層 — 狀態(當前狀態)
  即時訊號:體重、身體組成、睡眠、情緒

第 2 層 — 類型(身體·代謝類型)
  126 種原型(例如:30 多歲女性·低肌肉·深夜·睡眠不足)

第 3 層 — 行為(行為模式)
  過去 7~30 天:飲食、運動、記錄頻率、日常活動

第 4 層 — 人格(個性·動機類型)
  挑戰者/獎勵驅動/社交/分析型(BJ Fogg 人格)

第 5 層 — 當日(今日狀況)
  星期幾、行程、月經週期(女性)等

匹配所有 5 層的處方在每一刻觸及使用者。相同時間、相同原型 — 但不同人格/當日 → 不同處方。

這就是 N-of-1 的實質。Zeevi 2015 / Berry 2020 建議的「針對單一個體而非平均值匹配處方」的實現。

9. 步驟 6 — 3 層科學 WHY

強化 CARE 的 E(教育)步驟。每個處方都帶有 3 層理由:

第 1 層 — 機制(生理)
  「蛋白質 → CCK、GLP-1、PYY 釋放 → 飽足感」

第 2 層 — 效果(實證)
  「+20g 蛋白質 → 下一餐熱量平均減少(Westerterp-Plantenga 2009)」

第 3 層 — 個人化(你的情況)
  「你的原型 #47,蛋白質不足模式,上週平均 88g — 建議 112g,短缺 -24g」

→ 不是通用的「為什麼蛋白質對減重有益」,而是與你的數據匹配的證據。

使用者立即看到「AI 為何告訴他們這個」。滿足 SDT 的「勝任感」要求 — 使用者理解決策的基礎。

10. 步驟 7 — GLP-1 藥物整合

GLP-1 藥物使用者(Wegovy、Mounjaro、Zepbound)需要不同的處方。HAVIT 按 M0/M1/M2 治療階段分離:

• M0(用藥前):基線測量 + 胃腸副作用準備飲食
• M1(適應期):肌肉保存 + 停滯準備
• M2(維持/停藥):行為習慣化 + 復胖預防(STEP 4 反應)

這項整合實現了 WHO Clinical Management of Obesity Guidelines(2022)與 ADA Standards of Care(2024)建議的「藥物 + 行為治療」模式 — STEP 3(Wadden et al. 2021, JAMA)顯示 IBT 組合產生近 3 倍於標準照護的減重效果(-16% vs -5.7%)的相同模式。

8 步驟引擎的輸出自動調整至使用者的 M 階段:

• M1 使用者詢問「今天如何?」→ 優先蛋白質與力量
• M2 使用者 → 食物噪音回歸與行為訊號強化

11. 步驟 8 — 在地化(33 種語言 × 40+ 進入點)

多數全球 app 達到「將英文翻譯成其他語言」的水準。HAVIT:

33 種語言完整在地化
  - 韓文、英文、日文、中文(簡體/繁體)、
    西班牙文、葡萄牙文(巴西)、印尼文、德文、法文等 — 33 種
  - 不僅是翻譯。原型、飲食與文化訊號全部在地化

40+ 進入點
  - 使用者進入教練的 40 多個點
  - 餐後記錄、測量體重後、鬧鐘、停滯偵測、風險訊號
  - 每個進入點都有適當的語氣、長度與時機

美國使用者的「深夜恢復」與其他地區的「深夜恢復」不同。食物、時間、文化與慣用語都不同。美國是 HAVIT 的核心目標市場之一,英文/文化表達是第一優先。

12. 真實情境(示例)

情境:35 歲女性,深夜進食後的早晨

[事件] 使用者:「我昨晚 12 點吃了拉麵。現在怎麼辦?」

[步驟 1] 意圖:#3(即時行動指南)+ 次要 #1(罪惡感)
         信心 0.89 → 分類確認

[步驟 2] 向量資料庫匹配:
         12 個候選 → 應用疲勞分數
         選擇:A_0418(蛋白質優先恢復飲食)
         過去 7 天類似 0 次 → 新鮮

[步驟 3] CARE 生成:
         C:「拉麵 + 深夜,平日加班後 — 完全可以理解。」
         A:「昨天已經過去,今天還有三餐。」
         R:「早餐蛋白質 30g + 午餐 +50g 蔬菜。顯示選項。」
         E:「蛋白質自然調節食慾荷爾蒙。下一餐自動節制。」

[步驟 4] 安全閘門:通過(無風險訊號)

[步驟 5] 5 層:
         狀態:昨日熱量 +600 超標
         類型:原型 #47(30 多歲女性·深夜·睡眠不足)
         行為:過去 7 天蛋白質平均 78g(-34g 短缺)
         人格:分析型(顯示數據時會行動)
         當日:週二,會議多 → 提前準備午餐選項

[步驟 6] 3 層 WHY:
         機制:蛋白質 → GLP-1/PYY 自然釋放
         效果:+20g → 下一餐 -150 kcal 平均(Westerterp-Plantenga 2009)
         個人化:你的 7 天平均 78g,建議 112g,-34g 短缺

[步驟 7] GLP-1:未用藥 → 標準處方

[步驟 8] 在地化:
         語言:英文(美國友善食物選項 + 文化對應)
         飲食選項:希臘優格 + 堅果/豆腐碗/大豆蛋白奶昔
         時間表達:早晨(分析型 → 指定時間)
         語氣:分析、具體、簡短

(※ 示例情境。實際使用者結果會有所不同。)

13. 差異所在

常見 app 模式:

• 靜態熱量目標(每天相同處方)
• 單一原型(所有使用者獲得相同飲食指南)
• 無疲勞輪替(重複相同建議)
• 無安全閘門(無自動風險訊號偵測)

HAVIT 差異:

• 126 種原型 × 2,000+ 行動 × 5 層 × CARE × 安全閘門 × M0/M1/M2 × 33 種語言
• 每則訊息新處方(非靜態)
• 疲勞輪替(自動避免 Fogg BM 提示疲勞)
• 安全閘門(自動風險阻擋)
• 附學術基礎(Fogg BM、SDT、Zeevi/Berry、WHO/ADA)

這是通用聊天機器人與基於行為科學的教練系統之間的差異。

14. 限制與未來改進

目前限制:

1. **126 種原型群集是起點。**隨著使用者多樣性增長,需要原型精煉。
2. **不是醫療診斷工具。**安全閘門不能取代醫療照護。
3. **行為資料庫是領域錨定的。**持續訓練以增加多樣化文化飲食與運動。
4. **有效性驗證進行中。**AI 身體組成估計:n=70 內部完成,n=150 外部進行中。行為處方有效性 RCT 在獨立設計階段。

路線圖(範例):

• 原型精煉(區域、種族、生理多樣性擴展)
• 行動資料庫擴展
• 進入點擴展(日曆、天氣、月經週期整合)
• 多語言原型自動學習

15. 結論

數位健康 app 的有效性與個人化 × 回饋即時性 × 行為觸發的整合程度成正比(Patel 2015)。HAVIT 的 8 步驟引擎在 Fogg 行為模型(B = M × A × P)與自我決定理論的基礎上整合這三個變數。

8 步驟引擎的目的是將文獻建議的方向 — 身體組成評估 + 生活方式整合 + 個人化行為處方 — 轉化為實際使用者體驗。美國是 HAVIT 的核心目標市場之一,英文與文化表達是第一優先。(HAVIT 不是醫療診斷工具;臨床診斷與治療決策屬於醫師的專業領域。)