Sistemas de Recomendação de Inteligência Coletiva: Avançando a Personalização Computacional para Mudança de Comportamento em Saúde no Século XXI

CONTEXTO: Qual é a próxima fronteira para a pesquisa em comunicação em saúde personalizada por computador (CTHC)? Nos atuais sistemas CTHC, os designers de estudos que possuem expertise em teoria comportamental e na aplicação dessas teorias em sistemas CTHC selecionam as variáveis e desenvolvem as regras que especificam como o conteúdo deve ser adaptado, com base em seu conhecimento da população-alvo, da literatura e das teorias de comportamento em saúde. Em sistemas de recomendação de inteligência coletiva (daqui em diante sistemas de recomendação) utilizados por empresas da Web 2.0 (por exemplo, Netflix e Amazon), algoritmos de aprendizado de máquina combinam perfis de usuários e classificações contínuas de feedback sobre o conteúdo (deles mesmos e de outros usuários) para personalizar empiricamente o conteúdo. A augmentação da teoria atual da CTHC com sistemas de recomendação empíricos poderia ser avaliada como a próxima fronteira para a CTHC. OBJETIVO: O objetivo do nosso estudo foi descobrir barreiras e desafios para o uso de sistemas de recomendação na promoção da saúde. MÉTODOS: Realizamos uma revisão focada da literatura, entrevistamos especialistas no assunto (n=8) e sintetizamos os resultados. RESULTADOS: Descrevemos (1) limitações dos atuais sistemas CTHC, (2) vantagens de incorporar sistemas de recomendação para avançar a CTHC, e (3) desafios para a incorporação de sistemas de recomendação na CTHC. Com base nas evidências apresentadas, propomos uma agenda de pesquisa futura para os sistemas CTHC. CONCLUSÕES: Promovemos a discussão sobre maneiras de levar a CTHC ao século XXI pela incorporação de sistemas de recomendação.