Articolo metodologico

Agente virtuale per l'intervista motivazionale in tempo reale integrando modelli adattivi di comportamento non verbale e di linguaggio

DOI:

10.3791/69254

⸱

23 dicembre 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

In questo articolo

Sommario

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

Presentiamo una piattaforma virtuale open source per condurre interviste motivazionali in tempo reale, combinando linguaggio all'avanguardia e modelli di diffusione per adattarsi al comportamento e al profilo degli utenti. Utilizzando la piattaforma Greta 2.0, supporta vari argomenti, inclusi interventi legati alla nutrizione e allo sport, e offre uno strumento flessibile e validato per migliorare le interazioni terapeutiche digitali.

Abstract

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

La crescente domanda di supporto terapeutico supera sempre più la capacità dei professionisti disponibili. Un agente virtuale capace di eseguire colloqui motivazionali (MI) offre una soluzione promettente per aiutare i pazienti a raggiungere il loro obiettivo di cambiamento comportamentale tra una seduta e l'altra con terapisti umani. La MI è intrinsecamente una forma di comunicazione cooperativa e adattativa. Pertanto, sviluppare un agente capace di adattare le sue strategie conversazionali al contesto potrebbe aumentare significativamente l'efficacia della terapia. Durante le sedute di MI, i terapisti umani modificano sia i loro comportamenti verbali che quelli non verbali in base alle risposte dei pazienti umani, così come ai loro profili. A seconda del livello di motivazione del paziente, il terapeuta modificherà il proprio approccio di conseguenza. Pertanto, personalizzazione e adattabilità sono essenziali per sviluppare agenti virtuali MI efficaci. In questo articolo presentiamo un agente virtuale in grado di condurre sessioni MI adattandosi dinamicamente verbalmente e non verbalmente agli utenti in tempo reale. Sfruttando modelli all'avanguardia, questo sistema consente interazioni MI. L'agente virtuale è incorporato utilizzando la piattaforma Greta 2.0. Il suo comportamento non verbale è generato tramite un modello di diffusione chiamato MODIFF, che si adatta alle espressioni facciali dell'utente e alla sua prontezza al cambiamento. Queste espressioni facciali sono state apprese su un corpus MI e validate tramite uno studio dedicato agli utenti. Il dialogo viene generato utilizzando un modello di linguaggio di grande dimensione all'avanguardia (LLM), migliorato da un gestore di dialoghi progettato specificamente per MI, con un approccio di apprendimento per rinforzo, e validato tramite test utente. Inoltre, il gestore di dialoghi è in grado di adattarsi a diversi profili utente. La piattaforma risultante è open-source e facilita la generazione di dialoghi MI multimodali in tempo reale, fornendo nuovi strumenti per interazioni terapeutiche mediate digitalmente.

Introduzione

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

Il colloquio motivazionale (MI) è un approccio terapeutico collaborativo che incoraggia il cambiamento comportamentale. Durante le sedute di MI, i professionisti aiutano i pazienti a articolare e a favorire la loro motivazione peril cambiamento 1. A tal fine, utilizzano strategie di dialogo, come riflessioni o domande, rafforzate da comportamenti non verbali, come sorrisi o posizioni specifiche di testa e corpo.

Con l'aumento della frequenza dei problemi di salute mentale negli ultimi anni, si è creato un divario tra la domanda di servizi di salute mentale e le risorse disponibili2. Questo ha portato a tempi di attesa più lunghi per i pazienti prima di poter accedere alla terapia 2,3. Una soluzione proposta per alleviare questo problema prevede agenti virtuali in grado di replicare l'IM per i pazienti in attesa di appuntamenti. Offrendo supporto e intervento immediati, questi agenti virtuali possono aiutare a ridurre l'impatto dei periodi di attesa, specialmente in contesti terapeutici che richiedono più sedute4. Diversi studi hanno dimostrato l'efficacia di tali agenti o chatbot 5,6,7,8,9 il cui obiettivo non è sostituire gli esperti MI; sono pensate per fungere da strumento complementare all'interno del processo terapeutico. Ad esempio, potrebbero fornire interventi MI tra una seduta e l'altra.

Sebbene gli agenti MI precedenti spesso mostrino comportamenti adattivi limitati, l'MI è intrinsecamente una forma cooperativa e adattativa di comunicazione. Pertanto, sviluppare un agente capace di adattare il dialogo al contesto potrebbe aumentare significativamente l'efficacia della terapia10. Durante le sedute di MI, i terapeuti modificano sia i comportamenti verbali (strategie conversazionali) sia quelli non verbali in base alle risposte, alla motivazione o al livellodi coinvolgimento del paziente 11,12, così come ai loro profiliindividuali 13. A seconda del livello di motivazione del paziente, il terapeuta modificherà il proprio approccio di conseguenza. Pertanto, personalizzazione e adattabilità sono essenziali per sviluppare agenti virtuali MI efficaci.

La piattaformaGreta 2.0 platform 14 è un framework modulare per agenti virtuali che supporta interazioni in tempo reale. Recentemente è stato esteso per incorporare funzionalità che permettono l'adattamento dinamico dei modelli di IA generativa durante l'interazione.

La piattaforma include un modello chiamatoMODIFF-8 15, che genera espressioni facciali in tempo reale adattandosi dinamicamente alle stesse espressioni facciali dell'utente. Questo modello basato sulla diffusione è stato addestrato su dati multimodali raccolti nel contesto dell'MI, ovvero il corpus AnnoMI, costituito da video di sessioni di consulenza tra coppie terapeuta e cliente, raccolti su piattaforme di streaming come YouTube e Viméo, e annotati in atti di dialogo (una classificazione di enunciati che indica le azioni compiute, ad esempio, Domanda, Saluto...) e unità d'azione (una tassonomia dell'espressione facciale umana). Questi dati condizionano la generazione non solo sull'espressione facciale corrente dell'utente, ma anche sugli atti di dialogo specifici per MI identificati durante l'interazione, collegati alle strategie conversazionali adottate. Questi includono gli atti di dialogo degli utenti rilevanti per MI, come il discorso di cambiamento, così come gli atti di dialogo dell'agente, come la riflessione o la fornitura di informazioni. Integrando questi segnali multimodali in tempo reale, il sistema permette all'agente virtuale di esprimere espressioni facciali socialmente e contestualmente appropriate. Allineando il suo comportamento non verbale (NVB) al contesto dell'interazione, questo agente virtuale è progettato per favorire il rapporto sociale e supportare l'avvio della motivazione intrinseca durante tutto il processo di intervista15.

Inoltre, la piattaforma integra un sistema di dialogo progettato specificamente per MI, chiamato DREAM16. DREAM comprende un gestore di dialogo che seleziona il prossimo atto di dialogo dell'agente in base allo stato attuale del dialogo e al profilo dell'utente. Infatti, le nostre analisi del corpus AnnoMI hanno rivelato tre profili di pazienti con infarto: Aperto al Cambiamento (quando il paziente è motivato a cambiare e cerca supporto), Ricettivo (quando il paziente non ha ancora considerato il cambiamento) e Resistente (quando il paziente non intende cambiare)13. Prima di interagire con l'agente virtuale, agli utenti viene attribuito uno di questi tre profili in base alle risposte al questionario17 della Decision Balance Scale (DBS). Questo sistema di dialogo è integrato da un grande modello linguistico (LLM) che genera l'output verbale dell'agente, corrispondente all'atto di dialogo selezionato dal gestore di dialogo. Questo componente consente l'adattamento contestuale del dialogo, segnando un miglioramento rispetto ad approcci più rigidi e basati suregole 6. Sebbene studi recenti abbiano esplorato l'uso degli LLM per generare dialoghi coerenti con MI, essi non tengono conto dei profiliutente 18,19. Al contrario, questo modulo si adatta dinamicamente al profilo dell'utente, migliorando il rapporto rispetto a questi sistemi di base.

L'integrazione di questi modelli nella piattaforma Greta 2.0 consente interventi MI dinamici. La sua implementazione modulare consente la valutazione indipendente dell'impatto di ciascun modello. In questo articolo, presentiamo il metodo utilizzato per condurre esperimenti che valutano i contributi dei modelli MODIFF-8 e DREAM al dialogo MI condotto dalla piattaforma utilizzata. Questo metodo può anche essere utilizzato per fornire interventi MI personalizzati tra le sedute con i professionisti dell'IM. Richiede un computer Windows con una GPU da 16 GB e l'installazione di software open-source. Utilizzando questo metodo, dimostriamo che i nostri modelli di adattamento migliorano la qualità percepita dell'agente di erogazione MI e rafforzano la costruzione del rapporto. Osserviamo anche un miglioramento nella motivazione dei pazienti a cambiare comportamenti quando l'agente utilizza comportamenti adattati a livello verbale e non verbale, e a livello di strategie conversazionali. I risultati presentati in questo articolo dimostrano l'impatto positivo di adattare l'intervento MI dell'agente a ciascun paziente.

Per supportare la progettazione di questo sistema, è stata condotta una revisione approfondita della letteratura per esplorare le basi teoriche e pratiche del coaching nutrizionale, inclusi il colloquio motivazionale, i modelli di cambiamento comportamentale e le tipologie degli utenti. Questa revisione ha portato allo sviluppo di una base di conoscenza qualitativa strutturata attorno all'intersezione di due dimensioni chiave: 1) la prontezza degli utenti al cambiamento seguendo il ModelloTransteorico 19 che identifica 5 fasi: pre-contemplazione, contemplazione, preparazione, azione e mantenimento, e 2) i loro profili comportamentalialimentari 20 basati su dieta e fattori psicologicamente correlati. Sono stati identificati tre profili: il mangiatore intuitivo (cioè, ascolta i segnali di fame e saziedade, mantiene una dieta varia e prevalentemente a base vegetale, dà priorità a cibi di alta qualità, spesso biologici), il mangiatore emotivo (cioè affronta stress, solitudine e gioia attraverso frequenti spuntini di dolci o cibi grassi, spesso sentendosi in colpa dopo) e il mangiatore restrittivo (cioè, ossessionato dal controllo del cibo, Contano le calorie, seguono diete frequenti con effetti yo-yo e potrebbero avere un disturbo alimentare).

Per ogni combinazione di fase e profilo, sono state proposte strategie di dialogo specifiche per contesto, inclusi obiettivi SMART su misura, formulazioni motivazionali e suggerimenti comportamentali concreti. L'obiettivo era permettere all'agente virtuale di adattare dinamicamente i propri interventi basandosi sia sulla prontezza psicologica sia sulle tendenze personali. Questa base garantisce un grado più elevato di personalizzazione ed empatia nell'interazione, elementi fondamentali per sostenere il coinvolgimento degli utenti e il cambiamento comportamentale a lungo termine.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

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

Il metodo ha ricevuto l'approvazione etica IRB dall'istituto INSEAD (Institut européen d'administration des affaires) con numeri di accettazione: INSEAD 2024-78 e INSEAD 2025-23. Tutti i partecipanti hanno fornito il consenso informato e sono stati compensati per il tempo trascorso nell'esperimento.

1. Reclutamento dei partecipanti

  1. Chiama i partecipanti utilizzando le mailing list dell'istituto. Nessun vincolo sui partecipanti, se non la familiarità con le interfacce digitali e la padronanza del francese. Tre partecipanti sono stati esclusi a causa delle cadute di risorse internet, che hanno aumentato significativamente la latenza globale di risposta del sistema.

2. Requisiti pre-installazione

  1. Usa un computer Windows. Usiamo una CPU Intel I7, 20 core, 28 thread (50% di utilizzo), 32GB di RAM (20% di utilizzo), 32GB di GPU Nvidia RTX 5000 (20% di utilizzo).
  2. Installa Java SE Development Kit 8 (https://www.oracle.com/java/technologies/javase/javase8-archive-downloads.html). Installa Visual C++ Redistributable per Visual Studio 2013 (https://www.microsoft.com/en-us/download/details.aspx?id=40784).
  3. Richiedi una licenza Cereproc (https://app.cereproc.com/). Installa OpenFace (https://github.com/TadasBaltrusaitis/OpenFace). Prendi una webcam.

3. Installazione di Greta

  1. Scarica la versione software da https://github.com/isir/greta/releases. Compila usando NetBeans (istruzioni dettagliate su: https://github.com/isir/greta/wiki/Quick-start).

4. Configurazione delle chiavi API di Mistral

  1. Ottieni una chiave API Mistral da https://console.mistral.ai/api-keys.
  2. Crea il file: greta\bin\Common\Data\LLM\MICounselorRL\api_key.txt. Incolla la chiave API nel file creato.

5. Configurazione delle chiavi API di DeepGram

  1. Ottieni una chiave API DeepGram da https://console.deepgram.com/.
  2. Crea il file: greta\bin\Common\Data\DeepASR\DeepGram\api_key.txt. Incolla la chiave API nel file creato.

6. Importazione di modelli MODIFF

  1. Scarica i pesi dei modelli da https://drive.google.com/file/d/1n3udJf5pSNnFmxs_kt_zcFcF0m7zoLLr/view?usp=sharing e inserisci il file in greta\bin\Common\Data\MODIFF.
  2. Scarica e decomprimi i modelli di rilevamento faccia dlib da https://dlib.net/files/mmod_human_face_detector.dat.bz2 e https://dlib.net/files/shape_predictor_5_face_landmarks.dat.bz2, poi mettili in bin/Common/Data/TurnManagement/dlib_models.
  3. Scarica tutti i modelli VAP nel modello/VAP da https://drive.google.com/drive/folders/10_MTPkRyJCoFLDt4LO_M9kRgoreh6gEF?usp=sharing e mettili in bin/Common/Data/TurnManagement/models/.

7. Lancio di Greta 2.0

  1. Lancio Modular.jar. Clicca File > Apri > Greta > Avanzato > 20250128 Greta - Expé Lucie_full.xml.
  2. Assicurati che la configurazione corrisponda alla Figura 1.

8. Lancio di OpenFace

  1. Avvia OpenFace offline ZeroMQ.exe. Una versione specifica di OpenFace consente la comunicazione diretta con la piattaforma Greta utilizzando il protocollo ZeroMQ tramite la porta 5000.
  2. Nella scheda Record, deseleziona tutto tranne Broadcast con ZeroMQ. Permette al software di inviare i segnali estratti (AU, Sguardo, movimenti della testa ...) alla piattaforma Greta.
  3. Nella scheda File, clicca su Apri Webcam. Autorizza l'estrazione live delle funzionalità utilizzando la webcam disponibile.
  4. Seleziona la webcam da utilizzare e attendi che la webcam sia caricata (vedi Figura 2). Una volta caricata la webcam, lo strumento avvia automaticamente l'estrazione delle funzionalità in tempo reale e invia i dati alla piattaforma Greta.

9. Lancio del MODIFF-8

  1. In OpenFace2 Output Stream Reader, clicca sul pulsante Connetti e attendi che la lista delle funzionalità disponibili, inviata da OpenFace, venga popolata ( vedi Figura 3).
  2. Clicca su Seleziona Tutti > Set per convalidare il set di funzionalità che vuoi che la piattaforma riceva continuamente da Openface.
  3. Sotto Modiff, clicca su Avvio e attendi il messaggio: Collegato al server a localhost 5560.
  4. Clicca su Connetti. Questo passaggio attiva la connessione tra il modulo di generazione delle espressioni facciali Modiff e il ricevitore dati Greta OpenFace.
  5. Sotto Filtro, clicca su Esegui, permettendo all'agente virtuale di eseguire i dati generati dal Modulo di Modiff.
  6. Nella finestra di MODIFF, clicca su Abilita. Aspetta 90 secondi che il modello si stabilizzi.

10. Lancio dell'ASR

  1. Nella finestra DeepGram, premi Abilitare.

11. Lancio di DREAM

  1. Seleziona la Condizione RL per usare DREAM e Baseline per usare un LLM semplice.
  2. Nella finestra del Consulente MI RL, clicca su Abilitare. Aspetta 30 secondi che il modello inizi.

12. Allestire la stanza

  1. Usa un grande monitor da mettere su un tavolo con una sedia davanti. Metti una webcam sopra il monitor rivolto verso la sedia. Metti un microfono direzionale sul tavolo davanti alla sedia.

13. Accogliere il partecipante

  1. Accogliete il partecipante in una stanza privata (vedi Figura 4). Informare il partecipante come previsto nel discorso nel Fascicolo Supplementare 1.
  2. Fai compilare al partecipante il questionario DBS su una scala Likert in 5 passaggi (vedi le voci nella Tabella 1).
  3. Chiedi al partecipante di parlare al microfono. Assicurati che la webcam catturi la testa e la parte superiore del corpo del partecipante

14. Identificare il profilo del partecipante

  1. Se il punteggio DBS è negativo, classifica il partecipante come Resistente al Cambiamento. Se il punteggio DBS è compreso tra 0 e 2, classifica il partecipante come Ricettivo. Altrimenti, classifica il partecipante come Aperto al Cambiamento.

15. Impostare il tema e il profilo

  1. Nella finestra di MI Counsellor RL, imposta il tema da discutere man mano che il partecipante sceglie. Imposta il profilo come identificato nel passaggio 14.

16. Inizia il dialogo

  1. Nella finestra MI Counsellor RL, clicca su Start per far avviare la discussione con il partecipante all'agente. Cliccando questo pulsante il dialogo è un SOGNO, e i comportamenti multimodali dei modelli MODIFF guidano automaticamente i comportamenti dell'agente.

17. Durante il dialogo

  1. Monitora il paragrafo di risposta della finestra del consulente MI per assicurarti che il risultato del LLM non sia dannoso.
  2. Nella finestra di DeepGram, clicca su Ascolta dopo che il turno dell'agente è terminato.
  3. Se il discorso non viene riconosciuto, compila il paragrafo Richiesta della finestra RL del Consulente MI con il discorso del partecipante e clicca su Invia. Questo crea automaticamente la risposta dell'agente.
  4. Aspetta la risposta del partecipante.
  5. Ripeti dal 17.1 al 17.4 finché il dialogo non termina. Il dialogo si interrompe da solo.

18. Dopo l'intervento

  1. Chiedi al partecipante di compilare i questionari post-intervento (vedi gli elementi 1-9 nella Tabella 1). Fai il briefing del partecipante usando il discorso nel File Supplementare 1.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

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

Nel protocollo presentato, abbiamo raccolto trascrizioni di interazione e feedback degli utenti utilizzando questionari adattati ai comportamenti che vogliamo misurare. Abbiamo confrontato i risultati dell'interazione con o senza i nostri modelli.

Utilizzo del protocollo per valutare l'impatto della generazione delle espressioni adattive MODIFF-8
Il modulo MODIFF-8 è stato progettato per migliorare la reattività sociale dell'agente virtuale...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

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

In questo articolo presentiamo un protocollo per fornire interventi di Colloquio Motivazionale su misura e per testare moduli individuali di generazione del comportamento all'interno di un quadro di interazione controllata e riproducibile. Questo metodo si basa sull'architettura modulare della piattaforma Greta 2.0, che offre il controllo sui componenti coinvolti nel comportamento degli agenti, permettendo ai ricercatori di attivare o disattivare facilmente moduli specifici. Questa fless...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

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

Gli autori non hanno nulla da rivelare.

Ringraziamenti

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

Questo lavoro è stato parzialmente finanziato dai progetti ANR-DFG-JST Panorama, ANR-JST-CREST TAPAS (19-JSTS-0001-01), Enhancer (ANR-22-EXEN-0004) e PEPR-Ensemble PC3 (ANR-22-EXEN-0004). La valutazione presentata in questo documento è stata finanziata dall'Idex Sorbonne Université come parte del sostegno statale ai programmi Investimenti per il Futuro. Questo lavoro è stato inoltre supportato da una sovvenzione governativa francese gestita dall'Agence Nationale de la Recherche nell'ambito del programma France 2030, riferimento ANR-22-EXEN-0004 (PEPR eNSEMBLE / MATCHING) e 22-PESN-0009 (PEPR AUTONOM-HEALTH).

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
ComputerDellComputer con processore Intel Core i7-14700 e un Nvidia RTX5000
Microfono CuffiaEposUn visore con microfono
WebcamLogitechPer l'estrazione delle espressioni facciali
Webcam2LogitechPer la registrazione video

Riferimenti

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

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Richiedi il permesso di riutilizzare il testo o le figure di questo articolo JoVE

Richiedi permesso

Tag

Modello linguistico di grandi dimensioniInterazione in tempo realeGestore del dialogoAdattamento dell espressione faccialeApprendimento per rinforzoInterazione multimodaleRapport sociale

Articoli correlati