مقالة منهجية

الوكيل الافتراضي للمقابلات التحفيزية في الوقت الحقيقي من خلال دمج السلوك غير اللفظي التكيفي ونماذج اللغة

DOI:

10.3791/69254

⸱

ديسمبر 23, 2025

 ,  ,  ,  ,  ,  , 
1ISIR - Sorbonne University, 2University of Bordeaux, cours de la Libération, 3Vision Action Cognition, Université Paris Cité, 4University of Grenoble Alpes, Grenoble INP, CERAG, 5CNRS - SANPSY, University of Bordeaux, 6CNRS - ISIR, Sorbonne University

في هذه المقالة

ملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

نقدم منصة وكيل افتراضي مفتوحة المصدر لإجراء مقابلات تحفيزية في الوقت الحقيقي، تجمع بين أحدث نماذج اللغة والانتشار للتكيف مع سلوك المستخدمين وملفهم الشخصي. باستخدام منصة غريتا 2.0، يدعم مواضيع متنوعة، بما في ذلك التدخلات الرياضية والتغذية الرياضية، ويقدم أداة مرنة وموثوقة لتعزيز التفاعلات العلاجية الرقمية.

الملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

الطلب المتزايد على الدعم العلاجي يتجاوز بشكل متزايد قدرة المهنيين المتاحين. يقدم وكيل افتراضي قادر على إجراء المقابلات التحفيزية (MI) حلا واعدا لمساعدة المرضى على تحقيق هدفهم في تغيير السلوك بين الجلسات مع معالجين بشريين. ال MI بطبيعته شكل تعاوني ومتكيف من أشكال التواصل. لذلك، فإن تطوير وكيل قادر على تكييف استراتيجياته الحوارية مع السياق يمكن أن يعزز بشكل كبير فعالية العلاج. خلال جلسات المعالجين البشريين، يعدل المعالجون البشريون سلوكياتهم اللفظية وغير اللفظية بناء على ردود المرضى البشر، بالإضافة إلى ملفاتهم الشخصية. اعتمادا على مستوى دافع المريض، يقوم المعالج بتعديل نهجه وفقا لذلك. لذا، فإن التخصيص والقدرة على التكيف ضروريان لتطوير وكلاء افتراضيين فعالين في مجال التعرف الصناعي. في هذه الورقة، نقدم وكيلا افتراضيا قادرا على إجراء جلسات MI من خلال التكيف الديناميكي لفظيا وغير لفظيا مع المستخدمين في الوقت الحقيقي. باستخدام نماذج متطورة، يمكن هذا النظام من تفاعلات MI. يتم تجسيد الوكيل الافتراضي باستخدام منصة Greta 2.0. يتم توليد سلوكه غير اللفظي من خلال نموذج انتشار يسمى MODIFF، الذي يتكيف مع تعابير وجه المستخدم واستعداده للتغيير. تم تعلم هذه التعابير على مجموعة من الوسائط التقنية وتم التحقق منها من خلال دراسة مستخدم مخصصة. يتم توليد الحوار باستخدام نموذج لغوي كبير متطور (LLM)، معزز بمدير حوار مصمم خصيصا للمعلومات الاستخباراتية، مع نهج تعلم معزز، ويتم التحقق منه من خلال اختبار المستخدمين. علاوة على ذلك، يمكن لمدير الحوار التكيف مع ملفات تعريف المستخدمين المختلفة. المنصة الناتجة مفتوحة المصدر وتسهل توليد حوارات متعددة الوسائط في مجال الوسائط الصناعية، مما يوفر أدوات جديدة للتفاعلات العلاجية الرقمية الوسيطة.

المقدمة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

المقابلة التحفيزية (MI) هي نهج علاجي تعاوني يشجع على تغيير السلوك. خلال جلسات التصوير الصناعي الصناعي، يساعد ممارسو الالتهاب الداخلي المرضى على التعبير عن دوافعهم وتعزيز دوافعهم للتغيير1. لهذا الغرض، يستخدمون استراتيجيات حوار، مثل التأملات أو الأسئلة، مدعومة بسلوكيات غير لفظية مثل الابتسامات أو وضعيات محددة للرأس والجسم.

مع تزايد تكرار مشاكل الصحة النفسية في السنوات الأخيرة، ظهرت فجوة بين الطلب على خدمات الصحة النفسيةوالموارد المتاحة. وقد أدى ذلك إلى فترات انتظار أطول للمرضى قبل أن يتمكنوا من الوصول إلى العلاج 2,3. أحد الحلول المقترحة لتخفيف هذه المشكلة يتضمن وجود وكلاء افتراضيين قادرين على تكرار الالتهاب العضلي للمرضى الذين ينتظرون المواعيد. من خلال تقديم الدعم والتدخل الفوري، يمكن لهذه الوكلاء الافتراضيين المساعدة في تقليل تأثير فترات الانتظار، خاصة في السياقات العلاجية التي تتطلب جلسات متعددة4. أظهرت عدة دراسات فعالية مثل هذه الوكلاء أو روبوتات الدردشة 5,6,7,8,9 التي لا تهدف إلى استبدال خبراء الاستخبارات الاصطناعية؛ تهدف إلى أن تكون أداة مكملة ضمن العملية العلاجية. على سبيل المثال، يمكنهم توفير تدخل في العضلات بين الجلسات.

على الرغم من أن وكلاء MI السابقين غالبا ما يظهرون سلوكيات تكيفية محدودة، إلا أن MI بطبيعته شكل تعاون وتكيفي من أشكال الاتصال. لذلك، تطوير عامل قادر على تكييف حواره مع السياق يمكن أن يعزز بشكل كبير فعالية العلاج10. خلال جلسات المعالج الداخلي، يعدل المعالجون سلوكياتهم اللفظية (استراتيجيات المحادثة) وغير اللفظية بناء على استجابات المريض أو الدافع أو مستوى التفاعل11 و12، بالإضافة إلى ملفه الشخصي13. اعتمادا على مستوى دافع المريض، يقوم المعالج بتعديل نهجه وفقا لذلك. لذا، فإن التخصيص والقدرة على التكيف ضروريان لتطوير وكلاء افتراضيين فعالين في مجال التعرف الصناعي.

منصة Greta2.0 14 هي إطار عمل وكيل افتراضي معياري يدعم التفاعلات في الوقت الحقيقي. تم توسيعه مؤخرا ليشمل قدرات تمكن من التكيف الديناميكي لنماذج الذكاء الاصطناعي التوليدي أثناء التفاعل.

تتضمن المنصة نموذجا يسمى MODIFF-815، يولد تعبيرات وجه في الوقت الحقيقي تتكيف ديناميكيا مع تعبيرات وجه المستخدم الخاصة. تم تدريب هذا النموذج القائم على الانتشار على بيانات متعددة الوسائط تم جمعها في سياق الالتهاب الداخلي، وهي مجموعة AnnoMI، التي تتكون من فيديوهات جلسات استشارية بين أزواج المعالجين والعميلين، وجمعت على منصات البث مثل يوتيوب وViméo، وتم توضيحها في أفعال الحوار (تصنيف للعبارات التي تدل على الأفعال التي تم تنفيذها مثل السؤال، التحية...) ووحدات الفعل (تصنيف تعبيرات الوجه البشري). تحدد هذه البيانات التوليد ليس فقط على تعبير وجه المستخدم الحالي، بل أيضا على أفعال حوار خاصة بتقنية MI تم تحديدها أثناء التفاعل، مرتبطة باستراتيجيات الحوار المعتمدة. تشمل هذه أفعال حوار المستخدمين ذوي الصلة بتقنية MI، مثل حديث التغيير، بالإضافة إلى أفعال الحوار الخاصة بالوكيل مثل التأمل أو تقديم المعلومات. من خلال دمج هذه الإشارات متعددة الوسائط في الوقت الحقيقي، يسمح النظام للوكيل الافتراضي بالتعبير عن تعبيرات وجه مناسبة اجتماعيا وسياقيا. من خلال مواءمة سلوكه غير اللفظي (NVB) مع سياق التفاعل، تم تصميم هذا الوكيل الافتراضي لتعزيز العلاقة الاجتماعية ودعم بدء الدافع الداخلي طوال عملية المقابلة15.

بالإضافة إلى ذلك، تدمج المنصة نظام حوار مصمم خصيصا لتقنية MI، يسمى DREAM16. يتكون DREAM من مدير حوار يختار الفعل الحواري التالي للوكيل بناء على حالة الحوار الحالية وملف المستخدم. في الواقع، كشفت تحليلاتنا لمجموعة AnnoMI عن ثلاثة ملفات لمرضى التهاب القلب: منفتح على التغيير (عندما يكون المريض متحفزا للتغيير ويطلب الدعم)، والمستقبل (عندما لم يفكر المريض بعد في التغيير)، والمقاوم (عندما لا ينوي المريض التغيير)13. قبل التفاعل مع الوكيل الافتراضي، ينسب للمستخدمين أحد هذه الملفات الثلاثة وفقا لإجاباتهم على استبيان مقياس توازن القرار (DBS)رقم 17. يكمل هذا النظام الحواري نموذج لغوي كبير (LLM) يولد المخرج اللفظي للوكيل، والذي يتوافق مع فعل الحوار الذي يختاره مدير الحوار. يتيح هذا المكون التكيف السياقي للحوار، مما يمثل تحسنا مقارنة بالأساليب الأكثر صرامة والقواعد6. بينما استكشفت الدراسات الحديثة استخدام نماذج اللغة الكبيرة لتوليد حوار متسق مع المعلومات، إلا أنها لا تأخذ في الاعتبار ملفات المستخدمين18,19. على النقيض من ذلك، تتكيف هذه الوحدة ديناميكيا مع ملف المستخدم، مما يعزز التواصل مقارنة بهذه الأنظمة الأساسية.

يتيح دمج هذه النماذج في منصة Greta 2.0 تدخلات ديناميكية في مجال التعرف الداخلي. يسمح تنفيذه المعياري بتقييم مستقل لتأثير كل نموذج. في هذه الورقة، نقدم الطريقة المستخدمة لإجراء تجارب تقيم مساهمات نماذج MODIFF-8 وDREAM في حوار MI الذي تقدمه المنصة المستخدمة. يمكن أيضا استخدام هذه الطريقة لتقديم تدخلات مكثفة مخصصة بين الجلسات مع ممارسي الالتهاب الداخلي. يتطلب جهاز كمبيوتر يعمل بنظام ويندوز ببطاقة رسومات بسعة 16 جيجابايت وتثبيت برامج مفتوحة المصدر. باستخدام هذه الطريقة، نظهر أن نماذج التكيف لدينا تحسن الجودة المدركة لوكيل توصيل الاستخبارات وتعزز بناء العلاقة. نلاحظ أيضا تحسنا في دافعية المرضى لتغيير سلوكياتهم عندما يستخدم الوكيل سلوكيات متكيفة على المستويين اللفظي وغير اللفظي، واستراتيجيات الحوار. تظهر النتائج المقدمة في هذه الورقة التأثير الإيجابي لتخصيص تدخل الطبيب العضلي العضلي لكل مريض.

لدعم تصميم هذا النظام، أجريت مراجعة أدبية معمقة لاستكشاف الأسس النظرية والعملية لتدريب التغذية، بما في ذلك المقابلات التحفيزية، ونماذج تغيير السلوك، وأنماط المستخدمين. أدت هذه المراجعة إلى تطوير قاعدة معرفية نوعية منظمة حول تقاطع بعدين رئيسيين: 1) استعداد المستخدمين للتغيير وفقا للنموذج الترانس-أوريتيكوري19 الذي يحدد 5 مراحل: ما قبل التأمل، التأمل، التحضير، العمل، والصيانة، و2) ملفات سلوك الأكللديهم 20 بناء على النظام الغذائي والعوامل النفسية المرتبطة به. تم تحديد ثلاثة ملفات تعريفية: الأكل الحدسي (أي يستمع إلى إشارات الجوع والشبع، يحافظ على نظام غذائي متنوع ويعتمد في الغالب على النبات، ويفضل الأطعمة عالية الجودة وغالبا العضوية)، المحب للأكل العاطفي (أي يتعامل مع التوتر والوحدة والفرح من خلال تناول الحلويات أو الأطعمة الدهنية بشكل متكرر، وغالبا ما يشعر بالذنب بعدها) والمتشدد على الأكل (أي مهووس بالتحكم في الطعام، هم يحسبون السعرات الحرارية، ويتبعون حميات غذائية متكررة مع تأثيرات يويو، وقد يعانون من اضطراب في الأكل).

لكل مزيج من المرحلة والملف الشخصي، تم اقتراح استراتيجيات حوار خاصة بالسياق، بما في ذلك أهداف SMART المخصصة، وصيغ تحفيزية، واقتراحات سلوكية ملموسة. كان الهدف تمكين الوكيل الافتراضي من التكيف ديناميكيا مع تدخلاته بناء على الجاهزية النفسية والميل الشخصي. يضمن هذا الأساس درجة أعلى من التخصيص والتعاطف في التفاعل، وهو أمر بالغ الأهمية للحفاظ على تفاعل المستخدمين والتغيير السلوكي طويل الأمد.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

حصلت الطريقة على الموافقة الأخلاقية من معهد INSEAD (المعهد الأوروبي لإدارة الشؤون) مع أرقام قبول: INSEAD 2024-78 و INSEAD 2025-23. قدم جميع المشاركين موافقتهم المستنيرة وتم تعويضهم عن وقت تجربتهم.

1. تجنيد المشاركين

  1. ادعو المشاركين باستخدام قوائم البريد الخاصة بالمعهد. لا توجد قيود على المشاركين، باستثناء الإلمام بالواجهات الرقمية والطلاقة في اللغة الفرنسية. تم استبعاد ثلاثة مشاركين بسبب انخفاض موارد الإنترنت، مما زاد بشكل كبير من تأخير الاستجابة العالمية للنظام.

2. متطلبات ما قبل التركيب

  1. استخدم جهاز كمبيوتر يعمل بنظام ويندوز. نستخدم معالج Intel I7، 20 نواة، 28 خيط (50٪ استخدام)، ذاكرة RAM 32GB (استخدام 20٪)، بطاقة رسومات Nvidia RTX 5000 بسعة 32GB (استخدام 20٪).
  2. تثبيت مجموعة تطوير Java SE 8 (https://www.oracle.com/java/technologies/javase/javase8-archive-downloads.html). تثبيت Visual C++ القابل للتوزيع لبرنامج Visual Studio 2013 (https://www.microsoft.com/en-us/download/details.aspx?id=40784).
  3. اطلب رخصة Cereproc (https://app.cereproc.com/). تثبيت OpenFace (https://github.com/TadasBaltrusaitis/OpenFace). احصل على كاميرا ويب.

3. تركيب غريتا

  1. حمل إصدار البرنامج من https://github.com/isir/greta/releases. تجميع باستخدام NetBeans (تعليمات مفصلة على: https://github.com/isir/greta/wiki/Quick-start).

4. تكوين مفتاح واجهة برمجة تطبيقات Mistral

  1. احصل على مفتاح Mistral API من https://console.mistral.ai/api-keys.
  2. أنشئ الملف: greta\bin\Common\Data\LLM\MICounselorRL\api_key.txt. الصق مفتاح API في الملف الذي تم إنشاؤه.

5. تكوين مفاتيح API في DeepGram

  1. احصل على مفتاح API من DeepGram من https://console.deepgram.com/.
  2. أنشئ الملف: greta\bin\Common\Data\DeepASR\DeepGram\api_key.txt. الصق مفتاح API في الملف الذي تم إنشاؤه.

6. استيراد نموذج موديف

  1. قم بتنزيل أوزان النماذج من https://drive.google.com/file/d/1n3udJf5pSNnFmxs_kt_zcFcF0m7zoLLr/view?usp=sharing وضع الملف في greta\bin\Common\Data\MODIFF.
  2. قم بتنزيل وفك ضغط نماذج كشف الوجوه من DLIB من https://dlib.net/files/mmod_human_face_detector.dat.bz2 و https://dlib.net/files/shape_predictor_5_face_landmarks.dat.bz2، ثم ضعها في bin/Common/Data/TurnManagement/dlib_models.
  3. قم بتحميل جميع نماذج VAP في النموذج/VAP من https://drive.google.com/drive/folders/10_MTPkRyJCoFLDt4LO_M9kRgoreh6gEF?usp=sharing وضعها في bin/Common/Data/TurnManagement/model/.

7. إطلاق غريتا 2.0

  1. إطلاق Modular.jar. انقر على ملف > افتح > غريتا > > 20250128 المتقدمة غريتا - إكسبي Lucie_full.xml.
  2. تأكد من أن التكوين يطابق الشكل 1.

8. إطلاق OpenFace

  1. ابدأ OpenFace دون اتصال ZeroMQ.exe. يسمح إصدار محدد من OpenFace بالاتصال المباشر مع منصة Greta باستخدام بروتوكول ZeroMQ عبر المنفذ 5000.
  2. في تبويب التسجيل، قم بإلغاء تحديد كل شيء ما عدا البث مع ZeroMQ. يسمح البرنامج بإرسال الإشارات المستخرجة (AUs، النظرات، حركات الرأس ...) إلى منصة غريتا.
  3. في تبويب الملفات، اضغط على فتح كاميرا الويب. تفوض استخراج الميزات الحية باستخدام كاميرا الويب المتاحة.
  4. اختر كاميرا الويب المستخدمة وانتظر حتى يتم تحميل الكاميرا (انظر الشكل 2). بمجرد تحميل كاميرا الويب، ستبدأ الأداة تلقائيا استخراج الميزات الحية وترسل البيانات إلى منصة غريتا.

9. إطلاق موديف-8

  1. في قارئ تدفق الإخراج OpenFace2، انقر على زر Connect وانتظر حتى يتم ملء قائمة الميزات المتاحة المرسلة من OpenFace (انظر الشكل 3).
  2. انقر على اختيار كل > المجموعة، للتحقق من مجموعة الميزات التي تريد أن تستقبلها المنصة باستمرار من Openface.
  3. تحت Modiff، اضغط على التشغيل وانتظر الرسالة: متصل بالخادم على localhost 5560.
  4. اضغط على الاتصال. تقوم هذه الخطوة بتنشيط الاتصال بين وحدة توليد تعبيرات الوجه موديف وجهاز استقبال بيانات Greta OpenFace.
  5. تحت التصفية، انقر على Perform، مما يسمح للوكيل الافتراضي بأداء البيانات التي تولدها وحدة موديف.
  6. في نافذة MODIFF، اضغط على تفعيل. انتظر 90 ثانية حتى يستقر النموذج.

10. إطلاق ASR

  1. في نافذة DeepGram، اضغط على تفعيل.

11. إطلاق دريم

  1. اختر Condition RL لاستخدام DREAM وBaseline لاستخدام نموذج LLM عادي.
  2. في نافذة MI Counsellor RL، اضغط على تفعيل. انتظر 30 ثانية حتى يبدأ النموذج.

12. جهز الغرفة

  1. استخدم شاشة كبيرة لوضعها على طاولة مع كرسي أمامها. ضع كاميرا ويب فوق الشاشة المواجهة للكرسي. ضع ميكروفونا اتجاها على الطاولة أمام الكرسي.

13. الترحيب بالمشاركة

  1. رحبوا بالمشارك في غرفة خاصة (انظر الشكل 4). قدم إحاطة للمشارك كما هو مذكور في الملف التكميلي 1.
  2. اطلب من المشارك ملء استبيان DBS على مقياس ليكيرت مكون من 5 خطوات (انظر العناصر في الجدول 1).
  3. اطلب من المشارك التحدث إلى الميكروفون. تأكد من أن كاميرا الويب تلتقط رأس المشارك والجزء العلوي من جسده

14. تحديد ملف المشارك

  1. إذا كانت درجة DBS سلبية، صنف المشارك على أنه مقاوم للتغيير. إذا كانت درجة DBS بين 0 و2، صنف المشارك على أنه مستقبل. وإلا، صنف المشارك على أنه منفتح على التغيير.

15. حدد الموضوع والملف الشخصي

  1. في نافذة MI Counselloror RL، حدد الموضوع الذي سيتم مناقشته حسب اختيار المشارك. حدد الملف كما هو محدد في الخطوة 14.

16. ابدأ الحوار

  1. في نافذة MI Counsellor RL، اضغط على Start ليبدأ الوكيل النقاش مع المشارك. النقر على هذا الزر يجعل الحوار يحلم، وسلوكيات متعددة الوسائط في نماذج MODIFF تدفع سلوكيات الوكيل تلقائيا.

17. خلال الحوار

  1. راقب فقرة الإجابة في نافذة مستشار الاستخبارات للتأكد من أن مخرجات نموذج اللغة الكبيرة غير ضارة.
  2. في نافذة DeepGram، اضغط على الاستماع بعد انتهاء دور الوكيل.
  3. إذا لم يتم التعرف على الخطاب، املأ فقرة الطلب في نافذة مستشار MI RL بخطاب المشارك واضغط على إرسال. هذا يخلق استجابة الوكيل تلقائيا.
  4. انتظر إجابة المشارك.
  5. كرر من 17.1 إلى 17.4 حتى ينتهي الحوار. يتوقف الحوار من تلقاء نفسه.

18. ما بعد التدخل

  1. اطلب من المشارك إكمال استبيانات ما بعد التدخل (انظر البنود 1-9 في الجدول 1). استجد المشارك باستخدام الخطاب في الملف التكميلي 1.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

في البروتوكول المعروض، جمعنا نصوص التفاعل وملاحظات المستخدمين باستخدام استبيانات معدلة مع السلوكيات التي نرغب في قياسها. قمنا بمقارنة نتائج التفاعل مع أو بدون نماذجنا.

استخدام البروتوكول لتقييم تأثير توليد التعبيرات التكيفية MODIFF-8
تم تصميم وحدة MODIFF-8 لتعزيز الاستجابة الاجتماعية للوكيل الافتراضي من خلال تمكينه من توليد تعبيرات وجه مناسبة للسياق ومتزامنة سلوكيا مع المستخدم15. الفرضية الأساسية وراء هذا التصميم هي ...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

في هذه الورقة، نقدم بروتوكولا لتقديم تدخلات مقابلة تحفيزية مخصصة ولاختبار وحدات توليد السلوك الفردية ضمن إطار تفاعل متحكم به وقابل للتكرار. تعتمد هذه الطريقة على البنية المعيارية لمنصة Greta 2.0، التي توفر تحكما في المكونات المشاركة في سلوك الوكيل، مما يسمح للباحثين بتشغيل أو إيقاف وحدات محددة بسهولة. تجعل هذه المرونة من Greta 2.0 مناسبة جدا لكل من التلاعبات التجريبية والتقييمات المستهدفة للميزات الجديدة في التفاعل متعدد الوسائط بين الإنسان والوكيل. يمكن استخدام هذا البروتوكول لغرضين: اخ...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

المؤلفون ليس لديهم ما يكشفون عنه.

شكر وتقدير

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تم تمويل هذا العمل جزئيا من قبل مشاريع ANR-DFG-JST بانوراما، ANR-JST-CREST TAPAS (19-JSTS-0001-01)، Enhancer (ANR-22-EXEN-0004)، وPEPR-Ensemble PC3 (ANR-22-EXEN-0004). تم تمويل التقييم المقدم في هذه الورقة من قبل جامعة إيديكس السوربون كجزء من دعم الدولة لبرامج الاستثمارات من أجل المستقبل. وقد دعم هذا العمل أيضا منحة حكومية فرنسية تديرها الوكالة الوطنية للبحث كجزء من برنامج فرنسا 2030، المرجع ANR-22-EXEN-0004 (PEPR eNSEMBLE / MATCHING) و22-PESN-0009 (PEPR AUTONOM-HEALTH).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
الحاسوبديلكمبيوتر بمعالج Intel Core i7-14700 ومعالج Nvidia RTX5000
سماعة الميكروفونالإيبوسسماعة رأس مع ميكروفون
كاميرا الويبلوجيتكلاستخراج تعبيرات الوجه
كاميرا الويب 2لوجيتكلتسجيل الفيديو

المراجع

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Miller, W. R., Rollnick, S. Motivational Interviewing: Helping People Change. , Guilford Press. (2012).
  2. Towards a chatbot for digital counselling. Cameron, G., et al. Proc 31st Br Comp Soc Human Comp Interact Conf, , 1-7 (2017).
  3. Denecke, K., Vaaheesan, S., Arulnathan, A. A Mental Health Chatbot for Regulating Emotions (SERMO) - Concept and Usability Test. IEEE Transact Emerging Topics Comput. 9 (3), 1170-1182 (2021).
  4. Fiske, A., Henningsen, P., Buyx, A. Your Robot Therapist Will See You Now: Ethical Implications of Embodied Artificial Intelligence in Psychiatry, Psychology, and Psychotherapy. J Med Internet Res. 21 (5), e13216(2019).
  5. Taking the time to care: empowering low health literacy hospital patients with virtual nurse agents. Bickmore, T. W., Pfeifer, L. M., Jack, B. W. Proc SIGCHI Conf Human Factors Comp Syst, , 1265-1274 (2009).
  6. Fitzpatrick, K. K., Darcy, A., Vierhile, M. Delivering Cognitive Behavior Therapy to Young Adults With Symptoms of Depression and Anxiety Using a Fully Automated Conversational Agent (Woebot): A Randomized Controlled Trial. JMIR Mental Health. 4 (2), e19(2017).
  7. An Affectively Aware Virtual Therapist for Depression Counseling. Ring, L., Bickmore, T., Pedrelli, P. ACM SIGCHI Conf Human Factors Comput Syst (CHI) Workshop Comput Mental Health, , 1-4 (2016).
  8. Managing Chronic Conditions with a Smartphone-based Conversational Virtual Agent. Bickmore, T. W., et al. Proc 18th Int Conf Intelligent Virtual Agents, , 119-124 (2018).
  9. Mercado, J., Espinosa-Curiel, I. E., Martínez-Miranda, J. Embodied Conversational Agents Providing Motivational Interviewing to Improve Health-Related Behaviors: Scoping Review. J Med Internet Res. 25, e52097(2023).
  10. Masterson Creber, R., et al. Motivational interviewing to improve self-care for patients with chronic heart failure: MITI-HF randomized controlled trial. Patient Educ Couns. 99 (2), 256-264 (2016).
  11. Beyond Words: Decoding Facial Expression Dynamics in Motivational Interviewing. Younsi, N., Pelachaud, C., Chaby, L. Proc 2024 Joint Int Conf Comp Linguistics Lang Resources Evaluation, , 2365-2374 (2024).
  12. Galland, L., Pecune, F., Pelachaud, C. EMMI - Empathic Multimodal Motivational Interviews: Automatic Multimodal Features Extraction And Patient Type Definition. Lang Resources Evaluation. , (2025).
  13. Galland, L., Pelachaud, C., Pecune, F. EMMI -- Empathic Multimodal Motivational Interviews Dataset: Analyses and Annotations. arXiv. , (2024).
  14. Greta 2.0: Social Interactive Agent system, optimized for neural network integration. Saga, T., Galland, L., Younsi, N., Pelachaud, C. Proc ACM Int Conf Intelligent Virtual Agents, , 1-10 (2025).
  15. Younsi, N., Pelachaud, C., Chaby, L. Modiff-8 to Better Motivate: Live Adaptive Human-Socially Interactive Agent Interaction. SSRN. , (2025).
  16. Galland, L., Pelachaud, C., Pecune, F. Tailored Conversations beyond LLMs: A RL-Based Dialogue Manager. ACL ARR. , (2025).
  17. Velicer, W. F., DiClemente, C. C., Prochaska, J. O., Brandenburg, N. Decisional balance measure for assessing and predicting smoking status. J Personality Social Psychol. 48 (5), 1279-1289 (1985).
  18. Virtual Agents for Alcohol Use Counseling: Exploring LLM-Powered Motivational Interviewing. Steenstra, I., Nouraei, F., Arjmand, M., Bickmore, T. Proc ACM Int Conf Intelligent Virtual Agents, , 1-10 (2024).
  19. Galvão Gomes da Silva, J., et al. Experiences of a Motivational Interview Delivered by a Robot: Qualitative Study. J Med Internet Res. 20 (5), e116(2018).
  20. Torre, I., Goslin, J., White, L. If your device could smile: People trust happy-sounding artificial agents more. Comp Human Behav. 105, 106215(2020).
  21. Rapport and facial expression. 2009 3rd Int Conf Affective Comp Intelligent Interact Workshops. Wang, N., Gratch, J. , 1-6 (2009).
  22. Guy, L., Jean-Noël, G., Val, M., Cross, E. S. Tell me more! Assessing interactions with social robots from speech. Paladyn, J Behav Robotics. 12 (1), 136-159 (2020).
  23. Krämer, N., Kopp, S., Becker-Asano, C., Sommer, N. Smile and the world will smile with you-The effects of a virtual agent's smile on users' evaluation and behavior. Int J Human-Comp Studies. 71 (3), 335-349 (2013).
  24. Huang, L., Morency, L. P., Gratch, J. Virtual Rapport 2.0. Intell Virtual Agents. , 68-79 (2011).
  25. Kramer Schmidt, L., Andersen, K., Nielsen, A. S., Moyers, T. B. Lessons learned from measuring fidelity with the Motivational Interviewing Treatment Integrity code (MITI 4). J Subst Abuse Treatment. 97, 59-67 (2019).
  26. Madson, M. B., Mohn, R. S., Schumacher, J. A., Landry, A. S. Measuring Client Experiences of Motivational Interviewing during a Lifestyle Intervention. Meas Evaluat Counseling Dev. 48 (2), 140-151 (2015).
  27. Burgoon, J. K. Expectancy Violations Theory. Int Encycl Interpersonal Comm. , 1-9 (2015).
  28. Baker, Z. G., Watlington, E. M., Knee, C. R. The role of rapport in satisfying one's basic psychological needs. Motivat Emot. 44 (2), 329-343 (2020).
  29. Ryan, R. M., Deci, E. L. Self-Determination Theory. Encycl Quality Life Well-Being Res. , 6229-6235 (2023).
  30. SMART-DREAM: To Condition or Not to Condition A Study on the Impact of LLM Conditioning on Motivational Interview Dialog Virtual Agent. Galland, L., Pelachaud, C., Pecune, F. Proc ACM Int Conf Intelligent Virtual Agents, , 1-9 (2025).
  31. Can Virtual Human Build Rapport and Promote Learning. Wang, N., Gratch, J. Proc 2009 Conf Artif Intelligence Educat, , 737-739 (2009).
  32. Eeckhout, C., Francaux, M., Heeren, A., Philippot, P. Mesure de la balance décisionnelle en vue de pratiquer une activité physique régulière (BDAP) : adaptation et validation francophone de l'échelle Decisional Balance for Exercise. Eur Rev Appl Psychol. 63 (3), 185-191 (2013).
  33. Carey, K. B., Maisto, S. A., Carey, M. P., Purnine, D. M. Measuring Readiness-to-Change Substance Misuse Among Psychiatric Outpatients I. Reliability and Validity of Self-Report Measures. J Studies Alcohol. 62 (1), 79-88 (2001).
  34. Skantze, G. Turn-taking in Conversational Systems and Human-Robot Interaction: A Review. Comp Speech Lang. 67, 101178(2021).
  35. Cross, R., Greaves, C., Withall, J., Kritz, M., Stathi, A. A qualitative longitudinal study of motivation in the REtirement in ACTion (REACT) physical activity intervention for older adults with mobility limitations. Int J Behav Nutrit Phys Activity. 20 (1), 50(2023).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

الوسوم

مقالات ذات صلة