Una Red de LLM Multiagente para Sugerir y Corregir Anotaciones de Actividad y Postura Humana

Área de la Ciencia:

• Ciencias de la Computación
• Inteligencia Artificial
• Informática de la Salud

Sus antecedentes:

• El reconocimiento preciso de la actividad humana (HAR) es vital para la monitorización de la salud y los sistemas conscientes del comportamiento.
• La recopilación de conjuntos de datos grandes y etiquetados para HAR en entornos de vida libre es un desafío debido a la dependencia de autoinformes propensos a errores.
• El recuerdo asistido por contexto ayuda a la memoria, pero requiere una triangulación de datos engorrosa.

Objetivo del estudio:

• Adaptar el sistema LLM multiagente GLOSS para ayudar en el recuerdo y anotación de la actividad humana.
• Evaluar la efectividad de las sugerencias de actividad generadas por LLM para mejorar la calidad de los datos en estudios de HAR.

Principales métodos:

• Se adaptó GLOSS, un sistema LLM multiagente, para triangular autoinformes y datos de detección pasiva.
• Se utilizó GLOSS para sugerir las actividades más probables, ayudando a los participantes en el recuerdo y la anotación.
• Se evaluó la concordancia entre las sugerencias de GLOSS y el recuerdo humano.

Principales resultados:

• GLOSS proporcionó sugerencias de actividad con un acuerdo del 63-75% con el recuerdo humano.
• El sistema identificó y corrigió eficazmente errores comunes de anotación humana.
• Demostró el potencial de los enfoques potenciados por LLM y con intervención humana en HAR.

Conclusiones:

• Los sistemas de intervención humana potenciados por LLM pueden mejorar la calidad y escalabilidad de la anotación de actividades.
• GLOSS muestra una gran promesa para mejorar la creación de conjuntos de datos de HAR en estudios del mundo real.
• Este enfoque ofrece una solución práctica para superar las limitaciones de los métodos tradicionales de autoinforme.