Artículo de método

Agente virtual para entrevistas motivacionales en tiempo real mediante la integración de modelos adaptativos de comportamiento no verbal y lenguaje

DOI:

10.3791/69254

⸱

23 de diciembre de 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

En este artículo

Resumen

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

Presentamos una plataforma de agentes virtuales de código abierto para realizar entrevistas motivacionales en tiempo real, combinando lenguaje de última generación y modelos de difusión para adaptarse al comportamiento y perfil de los usuarios. Utilizando la plataforma Greta 2.0, apoya diversos temas, incluyendo la nutrición y las intervenciones deportivas, y ofrece una herramienta flexible y validada para mejorar las interacciones terapéuticas digitales.

Resumen

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

La creciente demanda de apoyo terapéutico supera cada vez más la capacidad de los profesionales disponibles. Un agente virtual capaz de realizar entrevistas motivacionales (MI) ofrece una solución prometedora para ayudar a los pacientes a alcanzar su objetivo de cambio de conducta entre sesiones con terapeutas humanos. La MI es inherentemente una forma cooperativa y adaptativa de comunicación. Por lo tanto, desarrollar un agente capaz de adaptar sus estrategias conversacionales al contexto podría aumentar significativamente la eficacia de la terapia. Durante las sesiones de MI, los terapeutas humanos ajustan tanto sus comportamientos verbales como no verbales en función de las respuestas de los pacientes humanos y de sus perfiles. Dependiendo del nivel de motivación del paciente, el terapeuta modificará su enfoque en consecuencia. Por tanto, la personalización y la adaptabilidad son esenciales para desarrollar agentes virtuales MI efectivos. En este artículo, presentamos un agente virtual capaz de realizar sesiones MI adaptándose dinámicamente verbal y no verbalmente a los usuarios en tiempo real. Aprovechando modelos de última generación, este sistema permite interacciones MI. El agente virtual se incorpora utilizando la plataforma Greta 2.0. Su comportamiento no verbal se genera mediante un modelo de difusión llamado MODIFF, que se adapta a las expresiones faciales del usuario y a su disposición al cambio. Estas expresiones faciales se aprendieron en un corpus MI y se validaron mediante un estudio dedicado con usuarios. El diálogo se genera utilizando un modelo de lenguaje grande (LLM) de última generación, mejorado por un gestor de diálogo diseñado específicamente para MI, con un enfoque de aprendizaje por refuerzo, y validado mediante pruebas de usuario. Además, el gestor de diálogo es capaz de adaptarse a diferentes perfiles de usuario. La plataforma resultante es de código abierto y facilita la generación de diálogos multimodales en tiempo real sobre MI, proporcionando nuevas herramientas para interacciones terapéuticas mediadas digitalmente.

Introducción

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

La entrevista motivacional (MI) es un enfoque terapéutico colaborativo que fomenta el cambio de conducta. Durante las sesiones de MI, los profesionales ayudan a los pacientes a articular y fomentar su motivación para elcambio 1. Para ello, utilizan estrategias de diálogo, como reflexiones o preguntas, reforzadas por comportamientos no verbales, como sonrisas o posturas específicas de cabeza y cuerpo.

A medida que la frecuencia de los problemas de salud mental ha aumentado en los últimos años, ha surgido una brecha entre la demanda de servicios de salud mental y los recursos disponibles2. Esto ha provocado tiempos de espera más largos para los pacientes antes de que puedan acceder a la terapia 2,3. Una solución propuesta para aliviar este problema implica agentes virtuales capaces de replicar el IM para pacientes que esperan citas. Al ofrecer apoyo e intervención inmediatos, estos agentes virtuales pueden ayudar a reducir el impacto de los periodos de espera, especialmente en contextos terapéuticos que requieren múltiplessesiones 4. Varios estudios han demostrado la eficacia de estos agentes o chatbots 5,6,7,8,9 cuyo objetivo no es reemplazar a los expertos en MI; Están pensados para servir como una herramienta complementaria dentro del proceso terapéutico. Por ejemplo, podrían proporcionar intervención en infarto entre sesiones.

Aunque los agentes de la MI anteriores a menudo muestran comportamientos adaptativos limitados, la MI es inherentemente una forma cooperativa y adaptativa de comunicación. Por lo tanto, desarrollar un agente capaz de adaptar su diálogo al contexto podría aumentar significativamente la eficacia de la terapia10. Durante las sesiones de MI, los terapeutas ajustan tanto sus comportamientos verbales (estrategias conversacionales) como no verbales en función de las respuestas, motivación o nivel de compromiso delpaciente 11,12, así como de sus perfilesindividuales 13. Dependiendo del nivel de motivación del paciente, el terapeuta modificará su enfoque en consecuencia. Por tanto, la personalización y la adaptabilidad son esenciales para desarrollar agentes virtuales MI efectivos.

La plataforma14 de Greta 2.0 es un marco modular de agentes virtuales que soporta interacciones en tiempo real. Recientemente se ha ampliado para incorporar capacidades que permiten la adaptación dinámica de modelos de IA generativa durante la interacción.

La plataforma incluye un modelo llamadoMODIFF-8 15, que genera expresiones faciales en tiempo real que se adaptan dinámicamente a las propias expresiones faciales del usuario. Este modelo basado en difusión se entrenó con datos multimodales recogidos en el contexto del MI, concretamente el corpus AnnoMI, constituido por vídeos de sesiones de asesoramiento entre parejas de terapeuta y cliente, recopilados en plataformas de streaming como YouTube y Viméo, y anotados en actos de diálogo (una clasificación de enunciados que denota las acciones realizadas, por ejemplo, Pregunta, Saludo...) y unidades de acción (una taxonomía de la expresión facial humana). Estos datos condicionan la generación no solo en la expresión facial actual del usuario, sino también en actos de diálogo específicos de MI identificados durante la interacción, vinculados a las estrategias conversacionales adoptadas. Estos incluyen actos de diálogo de usuarios relevantes para MI, como el cambio de habla, así como los propios actos de diálogo del agente, como la reflexión o la provisión de información. Al integrar estas señales multimodales en tiempo real, el sistema permite al agente virtual expresar expresiones faciales social y contextualmente apropiadas. Al alinear su comportamiento no verbal (NVB) con el contexto de la interacción, este agente virtual está diseñado para fomentar la relación social y apoyar el inicio de la motivación intrínseca durante todo el procesode entrevista 15.

Además, la plataforma integra un sistema de diálogo diseñado específicamente para MI, llamado DREAM16. DREAM consta de un gestor de diálogos que selecciona el siguiente acto de diálogo del agente en función del estado actual del diálogo y el perfil del usuario. De hecho, nuestros análisis del corpus AnnoMI revelaron tres perfiles de pacientes con MI: Abiertos al Cambio (cuando el paciente está motivado a cambiar y buscan apoyo), Receptivos (cuando aún no han considerado el cambio) y Resistentes (cuando el paciente no tiene intención de cambiar)13. Antes de interactuar con el agente virtual, a los usuarios se les atribuye uno de estos tres perfiles según sus respuestas al cuestionario17 de la Escala de Equilibrio de Decisión (DBS). Este sistema de diálogo se complementa con un gran modelo de lenguaje (LLM) que genera la salida verbal del agente, correspondiente al acto de diálogo seleccionado por el gestor de diálogo. Este componente permite la adaptación contextual del diálogo, marcando una mejora respecto a enfoques más rígidos y basados enreglas 6. Aunque estudios recientes han explorado el uso de LLMs para generar diálogos consistentes en MI, no tienen en cuenta los perfilesde usuario 18,19. En cambio, este módulo se adapta dinámicamente al perfil del usuario, lo que mejora la relación en comparación con estos sistemas base.

La integración de estos modelos en la plataforma Greta 2.0 permite intervenciones de MI dinámicas. Su implementación modular permite la evaluación independiente del impacto de cada modelo. En este artículo, presentamos el método utilizado para realizar experimentos que evalúan las contribuciones de los modelos MODIFF-8 y DREAM al diálogo MI impartido por la plataforma utilizada. Este método también puede utilizarse para ofrecer intervenciones de MI personalizadas entre sesiones con profesionales de MI. Requiere un ordenador con Windows con una GPU de 16 GB y la instalación de software de código abierto. Con este método, demostramos que nuestros modelos de adaptación mejoran la calidad percibida del agente de entrega de MI y mejoran la creación de vínculos. También observamos una mejora en la motivación de los pacientes para cambiar sus comportamientos cuando el agente utiliza comportamientos adaptados a nivel verbal y no verbal, así como en estrategias conversacionales. Los resultados presentados en este artículo demuestran el impacto positivo de adaptar la intervención del agente en el IM a cada paciente.

Para apoyar el diseño de este sistema, se realizó una revisión bibliográfica en profundidad para explorar los fundamentos teóricos y prácticos del coaching nutricional, incluyendo entrevistas motivacionales, modelos de cambio de comportamiento y tipologías de usuarios. Esta revisión condujo al desarrollo de una base de conocimiento cualitativa estructurada en torno a la intersección de dos dimensiones clave: 1) la disposición de los usuarios para el cambio siguiendo el ModeloTransteórico 19 , que identifica 5 etapas: precontemplación, contemplación, preparación, acción y mantenimiento, y 2) sus perfiles de comportamientoalimentario 20 basados en la dieta y factores psicológicamente relacionados. Se identificaron tres perfiles: el comedor intuitivo (es decir, escucha sus señales de hambre y saciedad, mantiene una dieta variada y predominantemente vegetal, prioriza alimentos de alta calidad y a menudo orgánicos), el comedor emocional (es decir, afronta el estrés, la soledad y la alegría mediante picoteos frecuentes de dulces o alimentos grasos, sintiéndose a menudo culpable después) y el comedor restrictivo (es decir, obsesionado con el control de los alimentos, Cuentan calorías, siguen dietas frecuentes con efecto yoyo y pueden tener un trastorno alimentario).

Para cada combinación de etapa y perfil, se propusieron estrategias de diálogo específicas según el contexto, incluyendo objetivos SMART personalizados, formulaciones motivacionales y sugerencias conductuales concretas. El objetivo era permitir que el agente virtual adaptara dinámicamente sus intervenciones basándose tanto en la preparación psicológica como en las tendencias personales. Esta base garantiza un mayor grado de personalización y empatía en la interacción, que son cruciales para mantener el compromiso del usuario y el cambio conductual a largo plazo.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

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

El método recibió la aprobación ética del IRB del instituto INSEAD (Institut européen d'administration des affaires) con números de aceptación: INSEAD 2024-78 e INSEAD 2025-23. Todos los participantes dieron su consentimiento informado y fueron compensados por su tiempo de experimento.

1. Reclutamiento de participantes

  1. Llama a los participantes que utilicen las listas de correo del instituto. No hay restricciones para los participantes, salvo la familiaridad con las interfaces digitales y la fluidez en francés. Tres participantes fueron excluidos debido a caídas de recursos en internet, lo que aumentó significativamente la latencia de respuesta global del sistema.

2. Requisitos de preinstalación

  1. Usa un ordenador con Windows. Usamos un procesador Intel i7, 20 núcleos, 28 hilos (50% de uso), 32GB de RAM (20% de uso), 32GB de GPU Nvidia RTX 5000 (20% de uso).
  2. Instala Java SE Development Kit 8 (https://www.oracle.com/java/technologies/javase/javase8-archive-downloads.html). Instala Visual C++ Redistributable para Visual Studio 2013 (https://www.microsoft.com/en-us/download/details.aspx?id=40784).
  3. Solicita una licencia Cereproc (https://app.cereproc.com/). Instala OpenFace (https://github.com/TadasBaltrusaitis/OpenFace). Consigue una webcam.

3. Instalación de Greta

  1. Descarga la versión del software desde https://github.com/isir/greta/releases. Compila usando NetBeans (instrucciones detalladas en: https://github.com/isir/greta/wiki/Quick-start).

4. Configuración de claves API de Mistral

  1. Consigue una clave API de Mistral de https://console.mistral.ai/api-keys.
  2. Crea el archivo: greta\bin\Common\Data\LLM\MICounselorRL\api_key.txt. Pega la clave API en el archivo creado.

5. Configuración de claves API de DeepGram

  1. Consigue una clave API de DeepGram de https://console.deepgram.com/.
  2. Crea el archivo: greta\bin\Common\Data\DeepASR\DeepGram\api_key.txt. Pega la clave API en el archivo creado.

6. Importación de modelos MODIFF

  1. Descarga los pesos de los modelos de https://drive.google.com/file/d/1n3udJf5pSNnFmxs_kt_zcFcF0m7zoLLr/view?usp=sharing y coloca el archivo en greta\bin\Common\Data\MODIFF.
  2. Descarga y descomprime modelos de detección facial dlib de https://dlib.net/files/mmod_human_face_detector.dat.bz2 y https://dlib.net/files/shape_predictor_5_face_landmarks.dat.bz2, y luego colócalos en bin/Common/Data/TurnManagement/dlib_models.
  3. Descarga todos los modelos de VAP en modelo/VAP de https://drive.google.com/drive/folders/10_MTPkRyJCoFLDt4LO_M9kRgoreh6gEF?usp=sharing y colócalos en bin/Common/Data/TurnManagement/models/.

7. Lanzamiento de Greta 2.0

  1. Lanzamiento Modular.jar. Haz clic en Archivo > Abrir > Greta > Avanzado > 20250128 Greta - Expé Lucie_full.xml.
  2. Asegúrese de que la configuración coincida con la Figura 1.

8. Lanzamiento de OpenFace

  1. Inicia OpenFace offline ZeroMQ.exe. Una versión específica de OpenFace permite la comunicación directa con la plataforma Greta usando el protocolo ZeroMQ a través del puerto 5000.
  2. En la pestaña Grabar, desmarca todo excepto Broadcast con ZeroMQ. Permite al software enviar las señales extraídas (AU, Mirada, movimientos de cabeza ...) a la plataforma Greta.
  3. En la pestaña Archivo, haz clic en Abrir Webcam. Autoriza la extracción de funciones en directo usando la cámara web disponible.
  4. Selecciona la webcam que vas a usar y espera a que la webcam esté cargada (véase la Figura 2). Una vez cargada la webcam, la herramienta iniciará automáticamente la extracción de funciones en directo y enviará los datos a la plataforma Greta.

9. Lanzamiento del MODIFF-8

  1. En OpenFace2 Output Stream Reader, haz clic en el botón Conectar y espera a que se llene la lista de funciones disponibles enviadas desde OpenFace (véase la Figura 3).
  2. Haz clic en Seleccionar Todos > Set para validar el conjunto de funciones que quieres que la plataforma reciba continuamente de Openface.
  3. En Modiff, haz clic en Lanzar y espera el mensaje: Conectado al servidor en localhost 5560.
  4. Haz clic en Conectar. Este paso activa la conexión entre el módulo de generación de expresiones faciales Modiff y el receptor de datos Greta OpenFace.
  5. En Filtro, haz clic en Ejecutar, permitiendo que el agente virtual realice los datos generados por el Módulo de Modiff.
  6. En la ventana de MODIFF, haz clic en Activar. Espera 90 segundos a que el modelo se estabilice.

10. Lanzamiento de ASR

  1. En la ventana de DeepGram, pulsa Activar.

11. Lanzamiento de DREAM

  1. Selecciona la Condición RL para usar DREAM y Baseline para usar un LLM simple.
  2. En la ventana de Orientador MI RL, haz clic en Activar. Espera 30 segundos a que el modelo empiece.

12. Preparar la habitación

  1. Usa un monitor grande para poner en una mesa con una silla delante. Pon una webcam encima del monitor mirando hacia la silla. Pon un micrófono direccional en la mesa delante de la silla.

13. Recibir al participante

  1. Den la bienvenida al participante a una sala privada (véase la Figura 4). Informa al participante según el discurso del Archivo Suplementario 1.
  2. Haz que el participante rellene el cuestionario DBS en una escala Likert de 5 pasos (véanse los ítems de la Tabla 1).
  3. Pide al participante que hable por el micrófono. Asegúrate de que la cámara web capture la cabeza y la parte superior del cuerpo del participante

14. Identificar el perfil del participante

  1. Si la puntuación DBS es negativa, clasifica al participante como Resistente al Cambio. Si la puntuación DBS está entre 0 y 2, clasifica al participante como Receptivo. De lo contrario, clasifica al participante como Abierto al Cambio.

15. Establecer el tema y el perfil

  1. En la ventana de RL de MI Counsellor, establece el tema a discutir según elija el participante. Establece el perfil tal y como se identifica en el paso 14.

16. Empieza el diálogo

  1. En la ventana de MI Counsellor RL, haz clic en Iniciar para que el agente inicie la conversación con el participante. Al hacer clic en este botón, el diálogo es un SUEÑO, y los comportamientos multimodales de los modelos MODIFF controlan automáticamente los comportamientos del agente.

17. Durante el diálogo

  1. Supervisa el párrafo de respuesta de la ventana del asesor MI para asegurarte de que la salida del LLM no sea perjudicial.
  2. En la ventana de DeepGram, haz clic en Escuchar cuando termine el turno del agente.
  3. Si el discurso no es reconocido, rellena el párrafo de Solicitud de la ventana de Orientador MI RL con el discurso del participante y haz clic en Enviar. Esto crea automáticamente la respuesta del agente.
  4. Espera la respuesta del participante.
  5. Repite 17.1 a 17.4 hasta que termine el diálogo. El diálogo se detiene solo.

18. Tras la intervención

  1. Pide al participante que complete los cuestionarios posteriores a la intervención (véanse los puntos 1-9 en la Tabla 1). Informa al participante usando el discurso en el Archivo Suplementario 1.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

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

En el protocolo presentado, recopilamos transcripciones de interacción y comentarios de usuarios utilizando cuestionarios adaptados a los comportamientos que queremos medir. Comparamos los resultados de la interacción con o sin nuestros modelos.

Uso del protocolo para evaluar el impacto de la generación de expresiones adaptativas de MODIFF-8
El módulo MODIFF-8 fue diseñado para mejorar la respuesta social del agente virtual permitiéndole ge...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

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

En este artículo, presentamos un protocolo para ofrecer intervenciones de Entrevista Motivacional personalizadas y para probar módulos individuales de generación de conductas dentro de un marco de interacción controlada y reproducible. Este método se basa en la arquitectura modular de la plataforma Greta 2.0, que ofrece control sobre los componentes implicados en el comportamiento del agente, permitiendo a los investigadores activar o desactivar fácilmente módulos específicos. Esta flexi...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

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

Los autores no tienen nada que revelar.

Agradecimientos

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

Este trabajo fue parcialmente financiado por los proyectos ANR-DFG-JST Panorama, ANR-JST-CREST TAPAS (19-JSTS-0001-01), Enhancer (ANR-22-EXEN-0004) y PEPR-Ensemble PC3 (ANR-22-EXEN-0004). La evaluación presentada en este artículo fue financiada por la Idex Sorbonne Université como parte del apoyo estatal a los programas Inversiones para el Futuro. Este trabajo también contó con el apoyo de una subvención del gobierno francés gestionada por la Agence Nationale de la Recherche como parte del programa France 2030, referencia ANR-22-EXEN-0004 (PEPR eNSEMBLE / MATCHING) y 22-PESN-0009 (PEPR AUTONOM-HEALTH).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
OrdenadorDellOrdenador con procesador Intel Core i7-14700 y un Nvidia RTX5000
Micrófono AuricularEposUn auricular con micrófono
Cámara webLogitechPara la extracción de expresiones faciales
Webcam2LogitechPara grabación de vídeo

Referencias

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

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Solicitar permiso para reutilizar el texto o las figuras de este artículo de JoVE

Solicitar permiso

Etiquetas

Modelo de Lenguaje ExtensoInteracci n en Tiempo RealGestor de Di logoAdaptaci n de la Expresi n FacialAprendizaje por RefuerzoInteracci n MultimodalRapport Social

Artículos relacionados