思维模型No.32|如何真正改变行为?需要5种不同的干预策略

简介: 思维模型No.32|如何真正改变行为?需要5种不同的干预策略

研究发现:改变带来的痛苦,经常超过或等同身体的折磨。因此,任何一种改变,无论大小,都是很困难的。James Prochaska 和 Carlo DiClemente 在上世纪80年代提出了行为改变的阶段变化模型(Stages of Change model),这个模型最初用于解释吸烟的人如何戒烟的过程,它的核心观点是,行为的改变不是一个独立的事件,而是由一连串事件(各阶段事件)组成的连续过程。

该理论指出,任何一项行为(不管是减肥、失恋还是换新工具)的积极改变,都要经历5个阶段,前3个都是思想的萌动和意识的转变,真正的行为改变在第4阶段才发生,以减肥为例来说明:

Stage1.前意向阶段(Precontemplation)

在这个阶段,人们没有认识到自己的行为需要改变或否认问题的存在,也称为「无打算」(not ready)阶段。这个阶段可能会持续很长时间。如果要在此阶段劝说他人减肥,是特别困难的,因为他就没有意识到自己需要减肥,或者他认为肥胖是好的。

Stage2.意向阶段(Contemplation)

也称为「打算转变」(Getting Ready)阶段。此时,个体意识到了行为存在的问题,同时也能够明白改变可带来的好处,但也意识到改变会有一些困难障碍。

有肥胖问题的人在这个阶段已经认识到问题的严重性,一个偶然的事件比如以前买的衣服穿不上了,或者感觉走路很累,使他意识到了自己的问题,开始考虑要不要减肥,不断的衡量减肥和不减肥的利弊,内心很矛盾。

这是重要的进步,我们常常轻视它,因为它没有带来真正的变化。但从无意向到有意向,我们的思想和态度其实已经发生了很大的转变。在很多情况下,改变态度其实比改变行为要难很多。

Stage3.准备阶段(Preparation)

也称为「准备转变」(Ready)阶段,已经到第3阶段,但还是没有行为改变。此时个体下定决心要改变,且已打算在未来一个月内改变自己的行为。在这个阶段中,我们会主动搜寻改变的方案方法,并为改变准备资源,比如购买健身器材,报减肥班等。

在准备阶段,清楚哪些因素会触发我们改变是很重要的。是否有某些地点,某些人,某事件或特定的情绪会诱使我们做出改变;或者某些人,某些事又不想让我们做出改变。这时候需要制定一个计划,让你在面对不同的触发器时做出不一样的的反应。

Stage4.行动阶段(Action)

直到第4阶段才开始行动,改变行为,做些与以往习惯不一样的事情,比如开始早起,穿上跑步鞋,绕着小区跑两圈。这是一个出成绩的阶段,我们在行动,别人也能看得到。

但是,行为改变要成功,每个步骤都很关键,如果在没有真正想清楚为什么要改变的情况下贸然行动,没有计划,没有环境支持改变,或许会陷入可怕的复发循环阶段。

我们可能在几个阶段中不断的辗转,重复,比如总在想减肥行为要不要继续,不断的制定减肥计划,或者以鞋子不舒服等为借口而不行动。这个阶段重要的是勤加练习,将行为分解为一些更容易实现的小任务目标,完成后还要给自己一些奖励。

Stage5.保持/巩固阶段(Maintenance)

改变行为是困难的,保持相对来说比较容易。到了这个阶段,新行为已经成为惯常。我们不再需要考虑看到朋友大吃大喝时,我们无法控制的情形,或者一回到家里就穿上运动鞋,害怕自己偷懒不下去。但还是需要有意识地保持新节奏和规律,降低复发风险。

流行的说法是,改变行为,养成一种新习惯需要12周的时间。但不幸的是,没有真正的时间表。

改变行为不仅取决于个体特征,还取决于我们情感上对想要改变行为的依赖,在达到这个稳定的阶段前,可能需要或长或短的时间。耐心是关键,一定要记得,要及时奖励自己的一点点小成就,预防复发。

以上5阶段包括了个人行为进行正向改变的不同阶段,我们也提到,大多数改变都不是线性向前的,经常会在个阶段间辗转,重复。行为改变是个渐进的过程,不可一蹴而就,如果缺乏有计划的干预,人们会停留在早期的行为阶段。

有了阶段改变模型后,我们可以在不同的阶段采用不同的干预策略,以助于在不同阶段过渡,顺利进入下一阶段,各阶段干预策略对应如下图:

我们知道,研究事物一个主要的方法就是对它分层,归类,阶段变化模型就是对行为改变做分层和归类,分析目前处于哪个阶段,要采取什么样的策略。

这是一个很重要的模型,能够应用在生活中的方方面面,给大家留个问题:

请思考:你是市场营销人员,要改变用户行为,从哪个阶段介入最有效?

可从品牌宣传和产品销售两个角度来思考,想清楚这个问题,你就明白了营销的本质,做出有效的市场推广方案,花好每一分广告费。

目录
相关文章
|
18天前
|
机器学习/深度学习 人工智能 程序员
大模型时代的思考:小心陷入ChatLLMs构建的蜜糖陷阱-基于人类反馈的间接(反向)驯化-你是否有注意到?
本文探讨了大模型基于人类反馈训练的原理及其潜在风险,特别是大模型在迎合用户需求时可能带来的“蜜糖陷阱”。通过实际案例分析,强调了理性使用大模型的重要性,提出了保持批判性思维、明确人机协作边界、提升人类判断力和创新能力等建议,旨在让大模型真正为人类服务,而不是限制人类思维。
|
21天前
|
机器学习/深度学习 分布式计算 算法框架/工具
大模型的内部结构复杂,导致其决策过程难以解释,这对于某些应用场景来说是不可接受的。
【10月更文挑战第23天】随着人工智能技术的发展,越来越多的企业开始探索大模型的私有化部署。本文详细介绍了在企业内部实现大模型私有化部署的方法,包括硬件配置、数据隐私保护、模型可解释性提升以及模型更新和维护等方面的解决方案,帮助企业克服相关挑战,提高数据处理的安全性和效率。
31 4
|
1月前
|
人工智能 前端开发
大模型体验体验报告:OpenAI-O1内置思维链和多个llm组合出的COT有啥区别?传统道家理论+中学生物理奥赛题测试,名不虚传还是名副其实?
一个月前,o1发布时,虽然让人提前体验,但自己并未进行测试。近期终于有机会使用,却仍忘记第一时间测试。本文通过两个测试案例展示了o1的强大能力:一是关于丹田及练气的详细解答,二是解决一道复杂的中学生物理奥赛题。o1的知识面广泛、推理迅速,令人印象深刻。未来,或许可以通过赋予o1更多能力,使其在更多领域发挥作用。如果你有好的测试题,欢迎留言,一起探索o1的潜力。
|
27天前
|
人工智能 人机交互 智能硬件
从大模型的原理到提示词优化
本文介绍了大语言模型(LLM)的基本概念及其工作原理,重点探讨了AI提示词(Prompt)的重要性和几种有效技巧,包括角色设定、One-shot/Few-shot、任务拆解和思维链。通过实例解析,展示了如何利用这些技巧提升LLM的输出质量和准确性,强调了提供高质量上下文信息对优化LLM表现的关键作用。
43 0
|
2月前
|
人工智能 安全 测试技术
当奖励成为漏洞:从对齐本质出发自动越狱大语言模型
【9月更文挑战第26天】在人工智能领域,大型语言模型(LLMs)的广泛应用引发了对其安全性和可靠性的担忧,特别是在面对对抗攻击时的脆弱性。论文《Jailbreaking as a Reward Misspecification Problem》提出将这种脆弱性归因于对齐过程中的奖励误设,并引入ReGap指标来量化这一问题。基于此,研究人员开发了ReMiss系统,用于自动对抗各种目标对齐的LLMs,并在AdvBench基准测试中取得了领先成果。尽管方法存在局限性,但该论文为提升LLMs安全性提供了新方向。[论文链接:https://arxiv.org/pdf/2406.14393]
38 4
|
2月前
|
人工智能 自然语言处理 计算机视觉
浙大李玺团队:指代表达理解新方法,ScanFormer粗到细迭代消除视觉冗余
【9月更文挑战第14天】近年来,人工智能的迅猛发展推动了计算机视觉与自然语言处理交叉领域的研究,其中指代表达理解任务备受关注。REC的目标是在图像中根据自然语言描述定位目标对象。然而,现有方法因密集感知图像而导致计算开销大。为此,浙江大学李玺团队提出了ScanFormer,一种迭代感知框架,通过自顶向下的方式逐步提取与语言相关的视觉块,并通过信息性预测丢弃不相关部分,有效减少冗余,提升模型效率。实验表明,ScanFormer在多个基准数据集上表现优异,实现了准确性和效率的良好平衡。不过,它目前仅支持单目标定位,且在某些场景下可能不如其他方法精确。
34 1
|
3月前
数据平台问题之在数据影响决策的过程中,如何实现“决策/行动”阶段
数据平台问题之在数据影响决策的过程中,如何实现“决策/行动”阶段
|
4月前
|
人工智能
Sora信息问题之模拟对象状态变化存在的局限如何解决
Sora信息问题之模拟对象状态变化存在的局限如何解决
41 0
|
6月前
|
算法 中间件 测试技术
思考力:如何更好地做出判断
思考力:如何更好地做出判断
|
机器学习/深度学习 自然语言处理 算法
【网安AIGC专题10.25】论文7:Chatgpt/CodeX引入会话式 APR 范例+利用验证反馈+LLM 长期上下文窗口:更智能的反馈机制、更有效的信息合并策略、更复杂的模型结构、鼓励生成多样性
【网安AIGC专题10.25】论文7:Chatgpt/CodeX引入会话式 APR 范例+利用验证反馈+LLM 长期上下文窗口:更智能的反馈机制、更有效的信息合并策略、更复杂的模型结构、鼓励生成多样性
142 0