Рекомендационная система антипрокрастинационного трекинга на базе ChatGPT и персональных данных

Цель исследования заключается в анализе возможностей применения языковой модели ChatGPT в составе персонализированной рекомендационной системы, направленной на снижение уровня прокрастинации. В центре внимания модели находится концепция цифрового ассистента, способного адаптивно реагировать на поведенческие особенности пользователя, поддерживать его концентрацию внимания и развивать навыки самодисциплины в условиях информационной перегрузки и цифровых отвлечений. 
Методы.  В качестве основы системы рассматривается языковая модель ChatGPT, интегрированная с пользовательскими трекерами активности. Система предполагает сбор и анализ таких показателей, как текущее расписание задач, уровень продуктивности, настроение, частота переключений между задачами, а также физиологические параметры (например, пульс, уровень стресса, качество сна) — при наличии соответствующих носимых устройств. Архитектура системы включает контекстный слой для агрегации данных и модуль генерации диалоговых рекомендаций. Реализована стратификация рекомендаций по типам: операционные (немедленные действия), тактические (планирование в течение дня) и мотивационные (поддержка фокусировки и устойчивости). Также предусмотрен механизм адаптации рекомендаций под поведенческий контекст, временные закономерности и состояние пользователя. 
Результаты.  Описаны функциональные компоненты предлагаемой архитектуры, ключевые пользовательские сценарии и примеры диалоговых взаимодействий. Рассматриваются интерфейсные решения для визуализации прогресса в продуктивности и саморегуляции. Обоснована целесообразность применения языковой модели в роли эмпатичного цифрового коуча, способного учитывать динамику состояния пользователя и обеспечивать поддержку в преодолении прокрастинации. 
Заключение.  Представленная концепция демонстрирует потенциал ChatGPT в качестве цифрового инструмента, предназначенного для персонализированного взаимодействия, основанного на анализе пользовательского поведения индивида и его допустимых состояний. Языковая модель ChatGPT может быть использована для создания эффективных систем цифрового сопровождения ИИ. Перспективы дальнейших исследований включают разработку механизмов предиктивной логики, интеграцию с биометрическими трекерами и расширение поведенческой модели пользователя.

1. Смирнова Т. А. Саморегуляция и цифровые технологии: вызовы и возможности // Человеческий капитал. 2022. № 9. С. 115–120.

2. Dhamija S., Kumar R. Digital Wellbeing: A Review of Tools, Impact and Future Directions // IJIMAI. 2021. Vol. 6(4). P. 28–39.

3. Кузьмина Ю. В. Психологические аспекты прокрастинации и пути их коррекции // Вестник ТвГУ. Серия: Педагогика и психология. 2020. № 2. С. 56–62.

4. Steel P. The Procrastination Equation: How to Stop Putting Things Off and Start Getting Stuff Done. Random House of Canada, 2011. 352 р.

5. Громов Е. И. Прокрастинация как феномен информационного общества // Социология власти. 2018. № 5. С. 142–148.

6. Fogg B. J. Tiny Habits: The Small Changes That Change Everything. New York: Houghton Mifflin Harcourt, 2020. 306 p.

7. Куртаев С. Ж. Цифровое благополучие как компонент психологической устойчивости в цифровой среде // Психология и общество. 2021. № 4. С. 24–28.

8. Baumeister R. F., Tierney J. Willpower: Rediscovering the Greatest Human Strength. New York: Penguin Books, 2012. 291 p.

9. Макарова Н. А. Модель адаптивной поддержки принятия решений в обучающих системах с ИИ // Информационные технологии. 2020. № 7. С. 35–41.

10. GPT-4. URL: https://openai.com/research/gpt-4 (дата обращения: 27.03.2025).

11. Малышева О. Н. Эмпатичные ИИ-системы: перспективы и ограничения применения в сфере цифрового коучинга // Вопросы психологии. 2021. № 6. С. 98–107.

12. Wu Y., Chen H. Enhancing Productivity through Personalized AI Assistants: Design Principles // HCI International 2022 – Late Breaking Papers: Ergonomics and Product Design: 24th International Conference on Human-Computer Interaction, HCII 2022, Virtual Event, June 26–July 1, 2022. Cham: Springer, 2022. P. 387–403.

13. Zhang Y., Chen X. Explainable Recommendation: A Survey and New Perspectives // Foundations and Trends in Information Retrieval. 2020. Vol. 14(1). P. 1–101.

14. Шевченко А. А. Рекомендательные системы: принципы, алгоритмы и методы // Вестник Новосибирского государственного университета. 2019. Т. 17, № 2. С. 78–91.

15. Deep Learning for Anomaly Detection: A Review / G. Pang, C. Shen, L. Cao, A. Hengel van den // ACM Computing Surveys. 2021. Vol. 54(2). P. 1–38.

16. Ribeiro M. T., Singh S., Guestrin C. "Why should I trust you?": Explaining the Predictions of Any Classifier. URL: https://arxiv.org/abs/1602.04938 (дата обращения: 11.03.2025).

17. Холодная М. А. Интеллектуальные ресурсы личности: структура, диагностика, развитие. СПб.: Питер, 2017.

18. Степанов И. В., Антипова Н. М. Информационная усталость и цифровая саморегуляция: вызовы цифровой эпохи // Психология образования в XXI веке. 2021. № 2. С. 90–97.

19. Zeng Z., Wei Y. Emotion-Aware Intelligent Systems: A Survey // ACM Transactions on Interactive Intelligent Systems. 2020. Vol. 10(2). P. 12.

20. Stawarz K., Cox A. L., Blandford A. Beyond Self-Tracking and Reminders: Designing Smartphone Apps That Support Habit Formation // CHI ’15: Proceedings of the 33rd Annual ACM Conference on Human Factors in Computing Systems. Seoul, South Korea, 2015. P. 2653–2662. https://doi.org/10.1145/2702123.2702230