MACHINE LEARNING FOR PERSONALIZED BEHAVIOR CHANGE INTERVENTIONS USING THE FOGG MODEL

La promozione dell'aderenza terapeutica e di stili di vita sani rappresenta una delle sfide più complesse nell'ambito della sanità digitale. Questo lavoro di tesi si propone di progettare e implementare un framework computazionale innovativo volto a personalizzare gli interventi di modifica del comportamento (Behavior Change Interventions) in ambito medico, sfruttando le potenzialità della modellizzazione teorica e dell'intelligenza artificiale. Il nucleo della ricerca si basa sullo sviluppo di un framework di simulazione fondato sul modello comportamentale di Fogg, all'interno del quale è stata generata una popolazione di pazienti sintetici caratterizzati da differenti profili di aderenza. Per interagire con questi profili, è stato implementato un Virtual Coach algoritmico, deputato all'erogazione di tecniche di cambiamento comportamentale (Behavior Change Techniques) altamente personalizzate. L'efficacia e l'impatto degli interventi erogati sono stati valutati e confrontati attraverso l'applicazione di diversi modelli di Machine Learning, nello specifico: Logistic Regression, Random Forest, XGBoost e Support Vector Machines (SVM). Per riflettere in modo più realistico gli scenari clinici reali, il lavoro è stato ulteriormente esteso introducendo una simulazione dinamica su un orizzonte temporale di 30 giorni. In questa fase avanzata sono state modellate variabili cruciali quali il decadimento comportamentale dei soggetti e il fenomeno della notification fatigue, integrando contestualmente strategie adattive di coaching per contrastare la perdita di engagement.