Article de méthode

Agent virtuel pour l’entretien motivationnel en temps réel en intégrant le comportement non verbal adaptatif et les modèles de langage

DOI :

10.3791/69254

⸱

23 décembre 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

Dans cet article

Résumé

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

Nous présentons une plateforme d’agent virtuel open source pour mener des entretiens motivationnels en temps réel, combinant un langage de pointe et des modèles de diffusion pour s’adapter au comportement et au profil des utilisateurs. Utilisant la plateforme Greta 2.0, il prend en charge divers sujets, notamment la nutrition et les interventions axées sur le sport, et propose un outil flexible et validé pour améliorer les interactions thérapeutiques numériques.

Résumé

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

La demande croissante de soutien thérapeutique dépasse de plus en plus la capacité des professionnels disponibles. Un agent virtuel capable de réaliser des entretiens motivationnels (MI) propose une solution prometteuse pour aider les patients à atteindre leur objectif de changement de comportement entre les séances avec des thérapeutes humains. L’IM est intrinsèquement une forme de communication coopérative et adaptative. Par conséquent, développer un agent capable d’adapter ses stratégies conversationnelles au contexte pourrait considérablement améliorer l’efficacité de la thérapie. Lors des séances d’IM, les thérapeutes humains ajustent à la fois leurs comportements verbaux et non verbaux en fonction des réponses des patients humains ainsi que de leurs profils. Selon le niveau de motivation du patient, le thérapeute adaptera son approche en conséquence. Ainsi, la personnalisation et l’adaptabilité sont essentielles pour développer des agents virtuels MI efficaces. Dans cet article, nous présentons un agent virtuel capable de mener des sessions MI en s’adaptant dynamiquement verbalement et non verbalement aux utilisateurs en temps réel. En tirant parti de modèles de pointe, ce système permet des interactions MI. L’agent virtuel est intégré à l’aide de la plateforme Greta 2.0. Son comportement non verbal est généré via un modèle de diffusion appelé MODIFF, qui s’adapte aux expressions faciales de l’utilisateur et à sa capacité à changer. Ces expressions faciales ont été apprises sur un corpus MI et validées lors d’une étude utilisateur dédiée. Le dialogue est généré à l’aide d’un grand modèle de langage (LLM) de pointe, amélioré par un gestionnaire de dialogue spécifiquement conçu pour l’IM, avec une approche d’apprentissage par renforcement, et validé par des tests utilisateurs. De plus, le gestionnaire de dialogue peut s’adapter à différents profils utilisateurs. La plateforme résultante est open source et facilite la génération de dialogues MI multimodaux en temps réel, fournissant de nouveaux outils pour les interactions thérapeutiques numériques.

Introduction

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

L’entretien motivationnel (IM) est une approche thérapeutique collaborative qui encourage le changement comportemental. Lors des séances d’IM, les praticiens aident les patients à articuler et à développer leur motivation pourle changement 1. À cette fin, ils utilisent des stratégies de dialogue, telles que des réflexions ou des questions, renforcées par des comportements non verbaux, comme des sourires ou des postures spécifiques de la tête et du corps.

Avec l’augmentation récente de la fréquence des problèmes de santé mentale, un écart s’est créé entre la demande de services de santé mentale et les ressources disponibles2. Cela a entraîné des délais d’attente plus longs pour les patients avant qu’ils ne puissent accéder à la thérapie 2,3. Une solution proposée pour atténuer ce problème consiste à utiliser des agents virtuels capables de répliquer l’IM pour les patients en attente de rendez-vous. En offrant un soutien et une intervention immédiats, ces agents virtuels peuvent aider à réduire l’impact des périodes d’attente, notamment dans des contextes thérapeutiques nécessitant plusieurs séances4. Plusieurs études ont démontré l’efficacité de tels agents ou chatbots 5,6,7,8,9 dont le but n’est pas de remplacer les experts en MI ; elles sont destinées à servir d’outil complémentaire au sein du processus thérapeutique. Par exemple, ils pourraient fournir une intervention en infériorité des patients interactifs entre les séances.

Bien que les agents d’IC précédents présentent souvent des comportements adaptatifs limités, l’IC est intrinsèquement une forme de communication coopérative et adaptative. Par conséquent, développer un agent capable d’adapter son dialogue au contexte pourrait considérablement améliorer l’efficacité de la thérapie10. Lors des séances de MI, les thérapeutes ajustent à la fois leurs comportements verbaux (stratégies conversationnelles) et non verbaux en fonction des réponses, de la motivation ou du niveaud’engagement du patient 11,12, ainsi que de leur profilindividuel 13. Selon le niveau de motivation du patient, le thérapeute adaptera son approche en conséquence. Ainsi, la personnalisation et l’adaptabilité sont essentielles pour développer des agents virtuels MI efficaces.

La plateformeGreta 2.0 14 est un cadre d’agent virtuel modulaire qui prend en charge les interactions en temps réel. Elle a récemment été étendue pour intégrer des capacités permettant l’adaptation dynamique des modèles d’IA générative lors de l’interaction.

La plateforme inclut un modèle appeléMODIFF-8 15, qui génère des expressions faciales en temps réel adaptées dynamiquement aux expressions faciales propres à l’utilisateur. Ce modèle basé sur la diffusion a été entraîné sur des données multimodales collectées dans le contexte de l’EM, à savoir le corpus AnnoMI, constitué de vidéos de séances de conseil entre paires thérapeute et client, collectées sur des plateformes de streaming telles que YouTube et Viméo, et annotées dans des actes de dialogue (une classification d’énoncés désignant les actions accomplies par exemple Question, Salut...) et des unités d’action (une taxonomie de l’expression faciale humaine). Ces données conditionnent la génération non seulement sur l’expression faciale actuelle de l’utilisateur, mais aussi sur les actes de dialogue spécifiques à l’IM identifiés lors de l’interaction, liés aux stratégies conversationnelles adoptées. Cela inclut les actes de dialogue des utilisateurs pertinents pour l’IM, tels que le discours de changement, ainsi que les actes de dialogue propres à l’agent, comme la réflexion ou la fourniture d’informations. En intégrant ces signaux multimodaux en temps réel, le système permet à l’agent virtuel d’exprimer des expressions faciales socialement et contextuellement appropriées. En alignant son comportement non verbal (NVB) au contexte de l’interaction, cet agent virtuel est conçu pour favoriser un lien social et soutenir l’initiation de la motivation intrinsèque tout au long du processusd’entretien 15.

De plus, la plateforme intègre un système de dialogue spécifiquement conçu pour MI, appelé DREAM16. DREAM comprend un gestionnaire de dialogue qui sélectionne le prochain acte de dialogue de l’agent en fonction de l’état actuel du dialogue et du profil de l’utilisateur. En effet, nos analyses du corpus AnnoMI ont révélé trois profils de patients atteints de MI : Ouvert au changement (lorsque le patient est motivé à changer et cherche du soutien), Réceptif (lorsque le patient n’a pas encore envisagé le changement) et Résistant (lorsque le patient n’a pas l’intention de changer)13. Avant d’interagir avec l’agent virtuel, les utilisateurs se voient attribuer l’un de ces trois profils selon leurs réponses au questionnaire17 de l’Échelle d’Équilibre de la Décision (DBS). Ce système de dialogue est complété par un grand modèle de langage (LLM) qui génère la sortie verbale de l’agent, correspondant à l’acte de dialogue sélectionné par le gestionnaire de dialogue. Cette composante permet une adaptation contextuelle du dialogue, marquant une amélioration par rapport aux approches plus rigides et fondées surdes règles 6. Bien que des études récentes aient exploré l’utilisation des LLM pour générer un dialogue cohérent sur le MI, ils ne prennent pas en compte les profilsutilisateurs 18,19. En revanche, ce module s’adapte dynamiquement au profil de l’utilisateur, ce qui améliore la relation par rapport à ces systèmes de base.

L’intégration de ces modèles dans la plateforme Greta 2.0 permet des interventions MI dynamiques. Sa mise en œuvre modulaire permet l’évaluation indépendante de l’impact de chaque modèle. Dans cet article, nous présentons la méthode utilisée pour mener des expériences évaluant les contributions des modèles MODIFF-8 et DREAM au dialogue MI délivré par la plateforme utilisée. Cette méthode peut également être utilisée pour fournir des interventions sur mesure entre les séances avec des praticiens de l’IM. Il nécessite un ordinateur Windows avec un GPU de 16 Go et l’installation d’un logiciel open source. Grâce à cette méthode, nous démontrons que nos modèles d’adaptation améliorent la qualité perçue de l’agent de livraison MI et renforcent la création de rapports. Nous observons également une amélioration de la motivation des patients à changer leurs comportements lorsque l’agent utilise des comportements adaptés aux niveaux verbal et non verbal, ainsi que des stratégies conversationnelles. Les résultats présentés dans cet article démontrent l’impact positif de l’adaptation de l’intervention IM de l’agent à chaque patient.

Pour soutenir la conception de ce système, une revue approfondie de la littérature a été menée afin d’explorer les fondements théoriques et pratiques du coaching nutritionnel, incluant l’entretien motivationnel, les modèles de changement de comportement et les typologies d’utilisateurs. Cette revue a conduit au développement d’une base de connaissances qualitative structurée autour de l’intersection de deux dimensions clés : 1) la préparation des utilisateurs au changement selon le ModèleTransthéorique 19 qui identifie 5 étapes : pré-contemplation, contemplation, préparation, action et maintien, et 2) leurs profils de comportement alimentaire20 basés sur l’alimentation et des facteurs psychologiquement liés. Trois profils ont été identifiés : le mangeur intuitif (c’est-à-dire qui écoute ses signaux de faim et de satiété, maintient une alimentation variée et majoritairement végétale, privilégie des aliments de haute qualité, souvent biologiques), le mangeur émotionnel (c’est-à-dire qui gère le stress, la solitude et la joie en grignotant fréquemment des sucreries ou des aliments gras, se sentant souvent coupable ensuite) et le mangeur restrictif (c’est-à-dire obsédé par le contrôle alimentaire, Ils comptent les calories, suivent des régimes fréquents avec des effets yo-yo, et peuvent avoir un trouble alimentaire).

Pour chaque combinaison de phase et de profil, des stratégies de dialogue spécifiques au contexte ont été proposées, incluant des objectifs SMART adaptés, des formulations motivationnelles et des suggestions comportementales concrètes. L’objectif était de permettre à l’agent virtuel d’adapter dynamiquement ses interventions en fonction à la fois de la préparation psychologique et des tendances personnelles. Cette base garantit un degré plus élevé de personnalisation et d’empathie dans l’interaction, essentielles pour maintenir l’engagement des utilisateurs et un changement comportemental à long terme.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

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

La méthode a reçu l’approbation éthique IRB de l’institut INSEAD (Institut européen d’administration des affaires) avec des numéros d’acceptation : INSEAD 2024-78 et INSEAD 2025-23. Tous les participants ont donné leur consentement éclairé et ont été rémunérés pour leur temps d’expérience.

1. Recrutement des participants

  1. Appelez les participants en utilisant les listes de diffusion de l’institut. Aucune contrainte pour les participants, à part la familiarité avec les interfaces numériques et la maîtrise du français. Trois participants ont été exclus en raison de chutes de ressources internet, qui ont considérablement augmenté la latence de réponse globale du système.

2. Exigences préalables à l’installation

  1. Utilisez un ordinateur Windows. Nous utilisons un processeur Intel i7, 20 cœurs, 28 threads (50 % d’utilisation), 32 Go de RAM (20 % d’utilisation), 32 Go de GPU Nvidia RTX 5000 (20 % d’utilisation).
  2. Installez Java SE Development Kit 8 (https://www.oracle.com/java/technologies/javase/javase8-archive-downloads.html). Installez Visual C++ Redistributable pour Visual Studio 2013 (https://www.microsoft.com/en-us/download/details.aspx?id=40784).
  3. Demandez une licence Cereproc (https://app.cereproc.com/). Installez OpenFace (https://github.com/TadasBaltrusaitis/OpenFace). Prends une webcam.

3. Installation de Greta

  1. Téléchargez la version logicielle de https://github.com/isir/greta/releases. Compiler en utilisant NetBeans (instructions détaillées à : https://github.com/isir/greta/wiki/Quick-start).

4. Configuration des clés API Mistral

  1. Obtenez une clé API Mistral auprès de https://console.mistral.ai/api-keys.
  2. Créez le fichier : greta\bin\Common\Data\LLM\MICounselorRL\api_key.txt. Collez la clé API dans le fichier créé.

5. Configuration des clés API DeepGram

  1. Obtenez une clé API DeepGram auprès de https://console.deepgram.com/.
  2. Créez le fichier : greta\bin\Common\Data\DeepASR\DeepGram\api_key.txt. Collez la clé API dans le fichier créé.

6. Importation du modèle MODIFF

  1. Téléchargez les poids des modèles depuis https://drive.google.com/file/d/1n3udJf5pSNnFmxs_kt_zcFcF0m7zoLLr/view?usp=sharing et placez le fichier dans greta\bin\Common\Data\MODIFF.
  2. Téléchargez et décompressez les modèles de détection faciale dlib de https://dlib.net/files/mmod_human_face_detector.dat.bz2 et https://dlib.net/files/shape_predictor_5_face_landmarks.dat.bz2, puis placez-les dans bin/Common/Data/TurnManagement/dlib_models.
  3. Téléchargez tous les modèles de VAP dans le modèle/VAP depuis https://drive.google.com/drive/folders/10_MTPkRyJCoFLDt4LO_M9kRgoreh6gEF?usp=sharing et placez-les dans bin/Common/Data/TurnManagement/models/.

7. Lancement de Greta 2.0

  1. Lancement Modular.jar. Cliquez sur Fichier > ouvrir > Greta > Advanced > 20250128 Greta - Expé Lucie_full.xml.
  2. Assurez-vous que la configuration correspond à la Figure 1.

8. Lancement d’OpenFace

  1. Démarrez OpenFace hors ligne ZeroMQ.exe. Une version spécifique d’OpenFace permet une communication directe avec la plateforme Greta en utilisant le protocole ZeroMQ via le port 5000.
  2. Dans l’onglet Enregistrement, décochez tout sauf Diffusion avec ZeroMQ. Il permet au logiciel d’envoyer les signaux extraits (UA, Regard, mouvements de tête...) vers la plateforme Greta.
  3. Dans l’onglet Fichier, cliquez sur Ouvrir la webcam. Autorisez l’extraction en direct des fonctionnalités à l’aide de la webcam disponible.
  4. Sélectionnez la webcam à utiliser et attendez qu’elle soit chargée ( voir Figure 2). Une fois la webcam chargée, l’outil lance automatiquement l’extraction en direct des fonctionnalités et envoie les données à la plateforme Greta.

9. Lancement du MODIFF-8

  1. Dans OpenFace2 Output Stream Reader, cliquez sur le bouton Connect et attendez que la liste des fonctionnalités disponibles, envoyée depuis OpenFace, se remplisse (voir Figure 3).
  2. Cliquez sur Sélectionner Tout > Ensemble, pour valider l’ensemble de fonctionnalités que vous souhaitez que la plateforme reçoive en continu d’Openface.
  3. Sous Modiff, cliquez sur Lancer et attendez le message : Connecté au serveur au localhost 5560.
  4. Cliquez sur Connecter. Cette étape active la connexion entre le module de génération d’expressions faciales Modiff et le récepteur de données Greta OpenFace.
  5. Sous Filtre, cliquez sur Exécuter, permettant à l’agent virtuel d’effectuer les données générées par le module de Modiff.
  6. Dans la fenêtre MODIFF, cliquez sur Activer. Attendez 90 secondes que le modèle se stabilise.

10. Lancement de l’ASR

  1. Dans la fenêtre DeepGram, appuyez sur Activer.

11. Lancement de DREAM

  1. Sélectionnez la condition RL pour utiliser DREAM et Baseline pour utiliser un LLM simple.
  2. Dans la fenêtre RL du conseiller MI, cliquez sur Activer. Attends 30 secondes que le modèle démarre.

12. Installer la pièce

  1. Utilisez un grand moniteur pour le poser sur une table avec une chaise devant. Mettez une webcam au-dessus de l’écran, face à la chaise. Posez un micro directionnel sur la table devant la chaise.

13. Accueil du participant

  1. Accueillez le participant dans une salle privée (voir Figure 4). Informez le participant conformément au discours du Dossier Supplémentaire 1.
  2. Faites remplir le questionnaire DBS par le participant sur une échelle Likert en 5 étapes (voir les éléments du Tableau 1).
  3. Demandez au participant de parler dans le micro. Assurez-vous que la webcam capture la tête et le haut du corps du participant

14. Identifier le profil du participant

  1. Si le score DBS est négatif, classez le participant comme résistant au changement. Si le score DBS est compris entre 0 et 2, classez le participant comme réceptif. Sinon, classez le participant comme ouvert au changement.

15. Définir le thème et le profil

  1. Dans la fenêtre RL du conseiller MI, fixez le thème à discuter selon le choix du participant. Définissez le profil tel qu’identifié à l’étape 14.

16. Lancer le dialogue

  1. Dans la fenêtre RL du conseiller MI, cliquez sur Démarrer pour que l’agent initie la discussion avec le participant. Cliquer sur ce bouton rend le dialogue DREAM, et les comportements multimodaux des modèles MODIFF dirigent automatiquement les comportements de l’agent.

17. Pendant le dialogue

  1. Surveillez le paragraphe de réponse de la fenêtre du conseiller MI pour vous assurer que la sortie du LLM n’est pas nuisible.
  2. Dans la fenêtre DeepGram, cliquez sur Écouter après le tour de l’agent.
  3. Si le discours n’est pas reconnu, remplissez le paragraphe Demande de la fenêtre du conseiller MI RL avec le discours du participant et cliquez sur Envoyer. Cela crée automatiquement la réponse de l’agent.
  4. Attendez la réponse du participant.
  5. Répétez 17.1 à 17.4 jusqu’à la fin du dialogue. Le dialogue s’arrête tout seul.

18. Après l’intervention

  1. Demandez au participant de remplir les questionnaires post-intervention (voir les points 1 à 9 du tableau 1). Faites un compte rendu du participant à l’aide du discours dans le Fichier Supplémentaire 1.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

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

Dans le protocole présenté, nous avons collecté des transcriptions d’interactions et des retours utilisateurs à l’aide de questionnaires adaptés aux comportements que nous souhaitons mesurer. Nous avons comparé les résultats de l’interaction avec ou sans nos modèles.

Utilisation du protocole pour évaluer l’impact de la génération d’expressions adaptatives MODIFF-8
Le module MODIFF-8 a été conçu pour améliorer la réactivité sociale de l’agen...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

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

Dans cet article, nous présentons un protocole pour mettre en œuvre des interventions d’entretien motivationnel personnalisées et pour tester des modules individuels de génération de comportements dans un cadre d’interaction contrôlée et reproductible. Cette méthode repose sur l’architecture modulaire de la plateforme Greta 2.0, qui offre le contrôle des composants impliqués dans le comportement des agents, permettant aux chercheurs d’activer ou désactiver facilement certains modules. Ce...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

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

Les auteurs n’ont rien à divulguer.

Remerciements

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

Ce travail a été partiellement financé par les projets ANR-DFG-JST Panorama, ANR-JST-CREST TAPAS (19-JSTS-0001-01), Enhancer (ANR-22-EXEN-0004) et PEPR-Ensemble PC3 (ANR-22-EXEN-0004). L’évaluation présentée dans cet article a été financée par l’Idex Sorbonne Université dans le cadre du soutien de l’État aux programmes Investissements pour l’avenir. Ce travail a également été soutenu par une subvention gouvernementale française gérée par l’Agence Nationale de la Recherche dans le cadre du programme France 2030, référence ANR-22-EXEN-0004 (PEPR eNSEMBLE / MATCHING) et 22-PESN-0009 (PEPR AUTONOM-HEALTH).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
OrdinateurDellOrdinateur avec processeur Intel Core i7-14700 et Nvidia RTX5000
Casque microEposUn casque avec un micro
WebcamLogitechPour l’extraction d’expressions faciales
Webcam2LogitechPour l’enregistrement vidéo

Références

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

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Demander l’autorisation de réutiliser le texte ou les figures de cet article JoVE

Demander une autorisation

Mots-clés

Grand mod le de langageinteraction en temps r elgestionnaire de dialogueadaptation des expressions facialesapprentissage par renforcementinteraction multimodalerapport social

Articles connexes