מאמר שיטה

סוכן וירטואלי לראיונות מוטיבציה בזמן אמת על ידי שילוב מודלים אדפטיביים של התנהגות לא-מילולית ושפה

DOI:

10.3791/69254

⸱

23 בדצמבר 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

במאמר זה

סיכום

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

אנו מציגים פלטפורמת סוכנים וירטואליים בקוד פתוח לביצוע ראיונות מוטיבציה בזמן אמת, המשלבת מודלים מתקדמים של שפה ודיפוזיה כדי להתאים את עצמם להתנהגות ולפרופיל של המשתמשים. באמצעות פלטפורמת Greta 2.0, היא תומכת בנושאים שונים, כולל התערבויות ממוקדות תזונה וספורט, ומציעה כלי גמיש ומאומת לשיפור האינטראקציות הטיפוליות הדיגיטליות.

תקציר

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

הביקוש הגובר לתמיכה טיפולית עולה יותר ויותר על היכולת של אנשי מקצוע זמינים. סוכן וירטואלי המסוגל לבצע ראיונות מוטיבציה (MI) מציע פתרון מבטיח שיסייע למטופלים להשיג את מטרתם לשינוי התנהגות בין מפגשים עם מטפלים אנושיים. MI הוא במהותו צורת תקשורת שיתופית ומסתגלת. לכן, פיתוח סוכן המסוגל להתאים את אסטרטגיות השיחה שלו להקשר יכול לשפר משמעותית את יעילות הטיפול. במהלך מפגשי MI, מטפלים אנושיים מתאימים את ההתנהגויות המילולית והלא-מילוליות שלהם בהתאם לתגובות המטופלים האנושיים, וכן לפרופילים שלהם. בהתאם לרמת המוטיבציה של המטופל, המטפל ישנה את הגישה שלו בהתאם. לכן, התאמה אישית וגמישות הן חיוניות לפיתוח סוכני MI וירטואליים יעילים. במאמר זה אנו מציגים סוכן וירטואלי המסוגל לבצע מפגשי MI על ידי התאמה דינמית מילולית ולא מילולית למשתמשים בזמן אמת. באמצעות מודלים מתקדמים, מערכת זו מאפשרת אינטראקציות בין MI. הסוכן הווירטואלי מגולם באמצעות פלטפורמת Greta 2.0. ההתנהגות הלא-מילולית שלו נוצרת באמצעות מודל דיפוזיה הנקרא MODIFF, שמתאים את עצמו להבעות הפנים של המשתמש ולמוכנותו לשינוי. הבעות פנים אלו נלמדו על קורפוס MI ואומתו באמצעות מחקר משתמש ייעודי. הדיאלוג נוצר באמצעות מודל שפה גדול (LLM) מתקדם, המשודרג על ידי מנהל דיאלוג שתוכנן במיוחד למחשבי מחשב, עם גישה של למידה מחזקת, ומאומת באמצעות בדיקות משתמש. בנוסף, מנהל הדיאלוג מסוגל להסתגל לפרופילים שונים של משתמשים. הפלטפורמה המתקבלת היא קוד פתוח ומקלה על יצירת דיאלוגים בזמן אמת עם MI רב-מודלי, ומספקת כלים חדשים לאינטראקציות טיפוליות מתווכות דיגיטלית.

מבוא

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

ראיון מוטיבציוני (MI) הוא גישה טיפולית שיתופית המעודדת שינוי התנהגותי. במהלך מפגשי MI, מטפלים ב-MI מסייעים למטופלים לבטא ולטפח את המוטיבציה שלהם לשינוי1. למטרה זו, הם משתמשים באסטרטגיות דיאלוג, כמו הרהורים או שאלות, המתחזקות על ידי התנהגויות לא מילוליות, כמו חיוכים או תנוחות ראש וגוף ספציפיות.

ככל שהתדירות של בעיות בריאות הנפש עלתה בשנים האחרונות, נוצר פער בין הביקוש לשירותי בריאות הנפש לביןהמשאבים הזמינים. דבר זה הוביל לזמני המתנה ארוכים יותר למטופלים לפני שהם יכולים לקבל טיפול 2,3. פתרון מוצע להקלה על הבעיה הוא סוכנים וירטואליים המסוגלים לשחזר MI עבור מטופלים הממתינים לתורים. על ידי מתן תמיכה והתערבות מיידית, סוכנים וירטואליים אלו יכולים לסייע בהפחתת השפעת תקופות ההמתנה, במיוחד בהקשרים טיפוליים שדורשים מספר מפגשים4. מספר מחקרים הראו את היעילות של סוכנים או צ'אטבוטיםכאלה 5,6,7,8,9, שמטרתם אינה להחליף מומחי MI; הם נועדו לשמש ככלי משלים בתהליך הטיפול. לדוגמה, הם יכולים לספק התערבות ל-MI בין המפגשים.

למרות שסוכני MI קודמים הפגינו לעיתים התנהגויות אדפטיביות מוגבלות, MI הוא במהותו צורת תקשורת שיתופית ואדפטיבית. לכן, פיתוח סוכן המסוגל להתאים את הדיאלוג שלו להקשר יכול לשפר משמעותית את יעילות הטיפול10. במהלך מפגשי MI, המטפלים מתאימים הן את ההתנהגויות המילוליות (אסטרטגיות שיחה) והן את ההתנהגויות הלא-מילוליות שלהם בהתאם לתגובות המטופל, המוטיבציה או רמת המעורבות11,12, וכן לפרופיל האישישלו 13. בהתאם לרמת המוטיבציה של המטופל, המטפל ישנה את הגישה שלו בהתאם. לכן, התאמה אישית וגמישות הן חיוניות לפיתוח סוכני MI וירטואליים יעילים.

פלטפורמת גרטה 2.014 היא מסגרת סוכנים וירטואליים מודולרית התומכת באינטראקציות בזמן אמת. לאחרונה הוא הורחב לשילוב יכולות המאפשרות התאמה דינמית של מודלים גנרטיביים של בינה מלאכותית במהלך האינטראקציה.

הפלטפורמה כוללת דגם בשם MODIFF-815, שמייצר הבעות פנים בזמן אמת שמסתגלות דינמית להבעות הפנים של המשתמש עצמו. מודל מבוסס דיפוזיה זה אומן על נתונים מולטימודליים שנאספו בהקשר של MI, כלומר קורפוס AnnoMI, המורכב מסרטוני ייעוץ בין זוגות מטפלים למטופלים, שנאספו בפלטפורמות סטרימינג כמו YouTube ו-Viméo, ומסומנים במעשי דיאלוג (סיווג של אמירות שמציין את הפעולות שבוצעו, למשל שאלה, ברכה...) ויחידות פעולה (טקסונומיה של הבעות פנים אנושיות). נתונים אלו מחייבים את היצירה לא רק על הבעת הפנים הנוכחית של המשתמש אלא גם על פעולות דיאלוג ייחודיות ל-MI שזוהו במהלך האינטראקציה, הקשורות לאסטרטגיות השיחה שאומצו. אלה כוללים פעולות דיאלוג של משתמשים רלוונטיים ל-MI, כמו דיבור שינוי, וכן פעולות דיאלוג של הסוכן עצמו, כמו הרהור או מתן מידע. על ידי שילוב אותות מולטימודליים אלו בזמן אמת, המערכת מאפשרת לסוכן הווירטואלי לבטא הבעות פנים חברתיות והקשריות מתאימות לקשר. על ידי התאמת התנהגותו הלא-מילולית (NVB) להקשר האינטראקציה, סוכן וירטואלי זה נועד לטפח קשרים חברתיים ולתמוך ביוזמת מוטיבציה פנימיתלאורך כל תהליך הראיון.

בנוסף, הפלטפורמה משלבת מערכת דיאלוג שתוכננה במיוחד ל-MI, בשם DREAM16. DREAM מורכב ממנהל דיאלוג שבוחר את פעולת הדיאלוג הבאה של הסוכן בהתבסס על מצב הדיאלוג הנוכחי ופרופיל המשתמש. למעשה, הניתוחים שלנו של קורפוס AnnoMI חשפו שלושה פרופילים של מטופלי MI: פתוח לשינוי (כאשר המטופל מונע להשתנות ומחפש תמיכה), מקבל (כאשר המטופל עדיין לא שקל שינוי), ועמיד (כאשר המטופל אינו מתכוון להשתנות)13. לפני האינטראקציה עם הסוכן הווירטואלי, המשתמשים מקבלים אחד משלושת הפרופילים הללו לפי תשובותיהם לשאלון Decision Balance Balance (DBS)17. מערכת הדיאלוג הזו משלימה על ידי מודל שפה גדול (LLM) שמייצר את התוצר המילולי של הסוכן, התואם לפעולה הדיאלוגית שנבחרה על ידי מנהל הדיאלוג. רכיב זה מאפשר התאמה הקשרית של הדיאלוג, ומסמן שיפור לעומת גישות נוקשות ומבוססות כללים6. בעוד שמחקרים עדכניים בחנו את השימוש במודלים גדולים ליצירת דיאלוג עקבי עם MI, הם אינם מתחשבים בפרופילי משתמשים18,19. לעומת זאת, מודול זה מסתגל באופן דינמי לפרופיל המשתמש, מה שמשפר את הקשר בהשוואה למערכות בסיסיות אלו.

השילוב של מודלים אלה בפלטפורמת Greta 2.0 מאפשר התערבויות דינמיות בתחום ה-MI. היישום המודולרי שלו מאפשר הערכה עצמאית של השפעת כל מודל. במאמר זה אנו מציגים את השיטה המשמשת לביצוע ניסויים שמעריכים את תרומתם של מודלי MODIFF-8 ו-DREAM לדיאלוג MI שמספק הפלטפורמה שבה השתמשו. שיטה זו יכולה לשמש גם למתן התערבויות מותאמות אישית בין מפגשים עם מטפלים ב-MI. הוא דורש מחשב Windows עם כרטיס מסך בנפח 16GB והתקנת תוכנה בקוד פתוח. באמצעות שיטה זו, אנו מראים שמודלי ההתאמה שלנו משפרים את האיכות הנתפסת של סוכן אספקת ה-MI ומגבירים את בניית הקשר. אנו גם מבחינים בשיפור במוטיבציה של המטופלים לשנות את התנהגותם כאשר הסוכן משתמש בהתנהגויות מותאמות ברמות המילוליות והלא-מילוליות, ובאסטרטגיות שיחה. התוצאות המוצגות במאמר זה מדגימות את ההשפעה החיובית של התאמת ההתערבות של הסוכן ל-MI לכל מטופל.

לתמיכה בעיצוב מערכת זו, נערכה סקירה ספרותית מעמיקה לחקר היסודות התיאורטיים והמעשיים של אימון תזונתי, כולל ראיונות מוטיבציה, מודלים לשינוי התנהגות וטיפוליות משתמשים. סקירה זו הובילה לפיתוח בסיס ידע איכותי המבוסס על הצומת של שני ממדים מרכזיים: 1) מוכנות המשתמשים לשינוי בהתאם למודל הטרנסתיאורטי19 שמזהה 5 שלבים: טרום-התבוננות, התבוננות, הכנה, פעולה ותחזוקה, ו-2) פרופילי התנהגות אכילה20 שלהם בהתבסס על תזונה וגורמים פסיכולוגיים. זוהו שלושה פרופילים: האוכל האינטואיטיבי (כלומר, מקשיב לסימני הרעב והשובע שלו, שומר על תזונה מגוונת ובעיקר מבוססת צמחים, נותן עדיפות למזון איכותי, לעיתים אורגני), האוכל הרגשי (כלומר, מתמודד עם לחץ, בדידות ושמחה באמצעות חטיפים תכופים של ממתקים או מאכלים שומניים, ולעיתים מרגיש אשמה לאחר מכן) והאוכל המוגבל (כלומר, אובססיבי לשליטה במזון, הם סופרים קלוריות, עוקבים אחרי דיאטות תכופות עם השפעות יויו, וייתכן שיש להם הפרעת אכילה).

לכל שילוב של שלב ופרופיל הוצעו אסטרטגיות דיאלוג ספציפיות להקשר, כולל מטרות SMART מותאמות, ניסוחים מוטיבציוניים והצעות התנהגותיות קונקרטיות. המטרה הייתה לאפשר לסוכן הווירטואלי להתאים את התערבויותיו באופן דינמי בהתבסס על מוכנות פסיכולוגית ונטיות אישיות. הבסיס הזה מבטיח רמה גבוהה יותר של התאמה אישית ואמפתיה באינטראקציה, שהם חיוניים לשמירה על מעורבות משתמשים ושינוי התנהגותי ארוך טווח.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

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

השיטה קיבלה אישור אתי של IRB מהמכון האירופי למנהל עניינים (INSEAD) עם מספרי קבלה: INSEAD 2024-78 ו-INSEAD 2025-23. כל המשתתפים נתנו הסכמה מדעת וקיבלו פיצוי על זמן הניסוי שלהם.

1. גיוס משתתפים

  1. קראו למשתתפים ברשימות התפוצה של המכון. אין מגבלות על המשתתפים, מלבד היכרות עם ממשקים דיגיטליים ושליטה בצרפתית. שלושה משתתפים הוצאו בשל נפילות משאבי אינטרנט, מה שהגביר משמעותית את השהיית התגובה הגלובלית של המערכת.

2. דרישות ההתקנה המוקדמת

  1. השתמש במחשב Windows. אנחנו משתמשים במעבד Intel I7, 20 ליבות, 28 תהליכונים (50% שימוש), זיכרון RAM 32GB (שימוש 20%), כרטיס מסך Nvidia RTX 5000 של 32GB (שימוש 20%).
  2. התקן את Java SE Development Kit 8 (https://www.oracle.com/java/technologies/javase/javase8-archive-downloads.html). התקן את Visual C++ Redistributable עבור Visual Studio 2013 (https://www.microsoft.com/en-us/download/details.aspx?id=40784).
  3. בקש רישיון Cereproc (https://app.cereproc.com/). התקן את OpenFace (https://github.com/TadasBaltrusaitis/OpenFace). קנה מצלמת רשת.

3. התקנת גרטה

  1. הורידו את שחרור התוכנה מ-https://github.com/isir/greta/releases. קומפיל באמצעות NetBeans (הוראות מפורטות בכתובת: https://github.com/isir/greta/wiki/Quick-start).

4. תצורת מפתח API של מיסטרל

  1. קבל מפתח API של מיסטרל https://console.mistral.ai/api-keys.
  2. צור את הקובץ: greta\bin\Common\Data\LLM\MICounselorRL\api_key.txt. הדביק את מפתח ה-API לקובץ שנוצר.

5. תצורת מפתח API של DeepGram

  1. קבל מפתח API ל-DeepGram https://console.deepgram.com/.
  2. צור את הקובץ: greta\bin\Common\Data\DeepASR\DeepGram\api_key.txt. הדביק את מפתח ה-API לקובץ שנוצר.

6. ייבוא מודל MODIFF

  1. הורד את משקלי המודל מ-https://drive.google.com/file/d/1n3udJf5pSNnFmxs_kt_zcFcF0m7zoLLr/view?usp=sharing ומקם את הקובץ ב-greta\bin\Common\Data\MODIFF.
  2. הורד ופתח את הדחיסה של מודלים לזיהוי פנים ב-dlib מ-https://dlib.net/files/mmod_human_face_detector.dat.bz2 ו-https://dlib.net/files/shape_predictor_5_face_landmarks.dat.bz2, ואז הכנס אותם ל-bin/Common/Data/TurnManagement/dlib_models.
  3. הורד את כל מודלי ה-VAP במודל/VAP מ-https://drive.google.com/drive/folders/10_MTPkRyJCoFLDt4LO_M9kRgoreh6gEF?usp=sharing והכניס אותם ל-bin/Common/Data/TurnManagement/models/.

7. השקת גרטה 2.0

  1. שיגור Modular.jar. לחץ על קובץ > פתח > גרטה > מתקדם > 20250128 Greta - Expé Lucie_full.xml.
  2. ודא שהקונפיגורציה תואמת לאיור 1.

8. השקת OpenFace

  1. תתחיל את OpenFace במצב לא מקוון ZeroMQ.exe. גרסה מסוימת של OpenFace מאפשרת תקשורת ישירה עם פלטפורמת Greta באמצעות פרוטוקול ZeroMQ דרך פורט 5000.
  2. בלשונית ההקלטה, הסר את הסימון של הכל חוץ מ-Broadcast עם ZeroMQ. הוא מאפשר לתוכנה לשלוח את האותות שחולצו (AUs, מבט, תנועות ראש ...) לפלטפורמת גרטה.
  3. בלשונית הקבצים, לחץ על פתח מצלמת רשת. אישור חילוץ פיצ'רים חיים באמצעות מצלמת הרשת הזמינה.
  4. בחר את מצלמת הרשת לשימוש והמתין עד שהמצלמה תיטען (ראה איור 2). לאחר טעינת מצלמת הרשת, הכלי יתחיל אוטומטית את חילוץ הפיצ'רים החיים וישלח את הנתונים לפלטפורמת Greta.

9. שיגור MODIFF-8

  1. ב-OpenFace2 Output Stream Reader, לחצו על כפתור החיבור והמתינו לרשימת התכונות הזמינות, שנשלחו מ-OpenFace, להתמלא (ראו איור 3).
  2. לחץ על Select All > Set כדי לאמת את סט התכונות שתרצה שהפלטפורמה תקבל באופן רציף מ-Openface.
  3. תחת Modiff, לחץ על Launch והמתין להודעה: מחובר לשרת ב-localhost 5560.
  4. לחץ על התחברות. שלב זה מפעיל את החיבור בין מודול יצירת הבעות הפנים Modiff לבין מקלט הנתונים Greta OpenFace.
  5. תחת Filter, לחץ על Perform, מה שמאפשר לסוכן הווירטואלי לבצע את הנתונים שנוצרים על ידי מודול Modiff.
  6. בחלון MODIFF, לחץ על 'הפעלה'. חכה 90 שניות עד שהדגם יתייצב.

10. השקת ASR

  1. בחלון DeepGram, לחץ על Enable.

11. השקת DREAM

  1. בחר ב-Condition RL כדי להשתמש ב-DREAM וב-Baseline כדי להשתמש ב-LLM פשוט.
  2. בחלון MI Counsellor RL, לחץ על 'אפשר'. חכה 30 שניות עד שהדגם יתחיל.

12. להכין את החדר

  1. השתמש במסך גדול להניח על שולחן עם כיסא מלפנים. שים מצלמת רשת על המסך הפונה לכיסא. שים מיקרופון כיוון על השולחן מול הכיסא.

13. קבלת המשתתפים

  1. קבלו את המשתתף לחדר פרטי (ראו איור 4). תדרוך למשתתף בהתאם לנאום בתיק המשלים 1.
  2. תבקש מהמשתתף למלא את שאלון DBS בסולם ליקרט בן 5 שלבים (ראו פריטים בטבלה 1).
  3. בקש מהמשתתף לדבר למיקרופון. ודאו שהמצלמה מצלמת את ראשו ופלגו העליון של המשתתף

14. זהה את פרופיל המשתתף

  1. אם ציון ה-DBS שלילי, סווג את המשתתף כעמיד לשינוי. אם ציון ה-DBS הוא בין 0 ל-2, סווג את המשתתף כמקבל (Receptive). אחרת, סווג את המשתתף כפתוח לשינוי.

15. להגדיר את הנושא והפרופיל

  1. בחלון ה-MI Counsellor RL, קבע את הנושא לדיון לפי בחירת המשתתף. הגדר את הפרופיל כפי שזוהה בשלב 14.

16. התחילו את הדיאלוג

  1. בחלון MI Counsellor RL, לחץ על Start כדי שהנציג יוזם את השיחה עם המשתתף. לחיצה על כפתור זה גורמת לדיאלוג להיות חלום, ומודלים של התנהגויות מולטימודליות במודל MODIFF מניעים אוטומטית את התנהגויות הסוכן.

17. במהלך הדיאלוג

  1. עקבו אחרי פסקת התשובה בחלון היועץ של MI כדי לוודא שהפלט של המודלים הגדולים אינו מזיק.
  2. בחלון ה-DeepGram, לחץ על האזנה לאחר סיום תורו של הסוכן לשימוש.
  3. אם הנאום לא מזוהה, מלא את פסקת הבקשה בחלון ה-MI Counsellor RL בנאום המשתתף ולחץ על שלח. זה יוצר אוטומטית את תגובת הסוכן.
  4. חכה לתשובה של המשתתף.
  5. חזור על 17.1 עד 17.4 עד שהדיאלוג מסתיים. הדיאלוג נעצר מעצמו.

18. לאחר ההתערבות

  1. בקש מהמשתתף למלא את השאלונים לאחר ההתערבות (ראו סעיפים 1-9 בטבלה 1). תדריך את המשתתף באמצעות הנאום בתיק המשלים 1.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

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

בפרוטוקול שהוצג, אספנו תמלילי אינטראקציה ומשוב משתמשים באמצעות שאלונים מותאמים להתנהגויות שאנו רוצים למדוד. השווינו את תוצאות האינטראקציה עם או בלי המודלים שלנו.

שימוש בפרוטוקול להערכת השפעת יצירת הביטויים האדפטיביים של MODIFF-8
מודול MODIFF-8 תוכנן לשפר את התגובה החברתית של הסוכן הווירטואלי על ידי אפשרות ליצור הבעות פנים שהן מתאימות להקשר והן מסונכרנות התנהגותית עם המשתמש15. ההשערה המרכזית מאחורי עיצוב זה היא שהתנהג...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

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

במאמר זה אנו מציגים פרוטוקול למתן התערבויות ריאיון מוטיבציה מותאמות אישית ולבדיקת מודולי יצירת התנהגות בודדים במסגרת אינטראקציה מבוקרת וניתנת לשחזור. שיטה זו מבוססת על הארכיטקטורה המודולרית של פלטפורמת Greta 2.0, שמציעה שליטה על הרכיבים המעורבים בהתנהגות הסוכן, ומאפשרת לחוקרים להפעיל או לכבות מודולים מסוימים בקלות. גמישות זו הופכת את Greta 2.0 למתאימה הן למניפולציות ניסיוניות והן להערכות ממוקדות של תכונות חדשות באינטראקציה רב-מודלית בין אדם לסוכנים. פרוטוקול זה יכול לשמש לשתי מטרות: בדיק...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

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

למחברים אין מה לחשוף.

תודות

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

עבודה זו מומנה חלקית על ידי פרויקטים של ANR-DFG-JST פנורמה, ANR-JST-CREST TAPAS (19-JSTS-0001-01), Enhancer (ANR-22-EXEN-0004), ו-PEPR-Ensemble PC3 (ANR-22-EXEN-0004). ההערכה שהוצגה במאמר זה מומנה על ידי אוניברסיטת אידקס סורבון כחלק מתמיכת המדינה בתוכניות Investments for the Future. עבודה זו נתמכה גם על ידי מענק ממשלתי צרפתי המנוהל על ידי האגודה הלאומית למחקר כחלק מתוכנית צרפת 2030, עם עיין ANR-22-EXEN-0004 (PEPR eNSEMBLE / התאמה) ו-22-PESN-0009 (PEPR אוטונום בריאות).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
מחשבדלמחשב עם מעבד Intel Core i7-14700 ו-Nvidia RTX5000
אוזניות מיקרופוןאפוסאוזניות עם מיקרופון
מצלמת רשתלוג'יטקלהפקת הבעות פנים
מצלמת רשת2לוג'יטקלהקלטת וידאו

מקורות

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

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

מאמרים קשורים