方法論記事

適応的非言語行動と言語モデルを統合したリアルタイム動機付け面接のためのバーチャルエージェント

DOI：

10.3791/69254

⸱

2025年12月23日

 ,  ,  ,  ,  ,  , 
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

この記事について

サマリー

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

私たちは、最先端の言語と拡散モデルを組み合わせ、ユーザーの行動やプロフィールに適応するオープンソースのバーチャルエージェントプラットフォームを提示し、リアルタイムのモチベーショナルインタビューを行います。Greta 2.0プラットフォームを活用し、栄養やスポーツに焦点を当てた介入など多様なトピックをサポートし、デジタル治療的相互作用を強化するための柔軟で検証済みのツールを提供します。

要約

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

治療支援の需要増加は、利用可能な専門家の能力をますます超えています。動機付け面接(MI)を実施できるバーチャルエージェントは、患者が人間のセラピストとのセッション間で行動変容の目標を達成するのを支援する有望なソリューションを提供します。MIは本質的に協力的かつ適応的なコミュニケーションの形態です。したがって、会話戦略を文脈に合わせて適応できるエージェントを開発することは、治療の効果を大幅に高める可能性があります。MIセッション中、人間のセラピストは人間の反応やプロフィールに基づいて言語的・非言語的行動を調整します。患者の動機のレベルに応じて、セラピストはアプローチを適切に調整します。したがって、効果的なMIバーチャルエージェントを開発するためには、パーソナライズ性と適応性が不可欠です。本論文では、リアルタイムでユーザーに対して言語的および非言語的に動的に適応することでMIセッションを実行できる仮想エージェントを提示します。最先端のモデルを活用し、このシステムはMIの相互作用を可能にします。バーチャルエージェントはGreta 2.0プラットフォームを用いて実装されています。その非言語的な行動は、MODIFFという拡散モデルによって生成され、ユーザーの表情や変化への準備度に適応します。これらの表情はMIコーパスで学習され、専用のユーザースタディによって検証されました。対話は最先端の大規模言語モデル(LLM)を用いて生成され、MI専用に設計された対話マネージャーによって強化され、強化学習アプローチを採用し、ユーザーテストで検証されています。さらに、ダイアログマネージャーは異なるユーザープロファイルに適応可能です。このプラットフォームはオープンソースで、リアルタイムかつマルチモーダルなMI対話の生成を促進し、デジタル媒介による治療的相互作用のための新しいツールを提供します。

概要

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

動機付け面接(MI)は、行動変容を促す協働的な治療アプローチです。MIセッション中、MIの施術者は患者が変化への動機を明確に伝え、育むのを支援します。この目的のために、彼らは振り返りや質問などの対話戦略を用い、笑顔や特定の頭体姿勢などの非言語的行動によって強化されます。

近年、メンタルヘルスの問題が増加する中で、メンタルヘルスサービスの需要と利用可能なリソースとの間にギャップが生じています。これにより、患者がセラピーを受けるまでの待ち時間が長くなりました。この問題を緩和するための提案された解決策の一つに、予約待ちの患者のために心梗塞を再現できる仮想エージェントの利用があります。即時のサポートと介入を提供することで、これらのバーチャルエージェントは特に複数回のセッションを必要とする治療的文脈において、待機期間の影響を軽減するのに役立ちます。複数の研究で、MI専門家の代替を目的としないエージェントやチャットボット5、6、7、8、9の有効性が示されています。これらは治療過程における補完的なツールとして機能することを意図しています。例えば、セッションの合間に心音検査(MI)介入を行うこともあります。

従来のMIエージェントは適応行動が限定的であることが多いですが、MIは本質的に協力的かつ適応的なコミュニケーション形態です。したがって、対話を文脈に合わせて適応できるエージェントを開発すれば、セラピー10の効果を大幅に高める可能性があります。MIセッション中、セラピストは患者の反応、動機、関与レベル11,12、そして個々のプロフィールに基づいて、言語(会話戦略)と非言語的行動の両方を調整します。患者の動機のレベルに応じて、セラピストはアプローチを適切に調整します。したがって、効果的なMIバーチャルエージェントを開発するためには、パーソナライズ性と適応性が不可欠です。

Greta 2.0 platform14 は、リアルタイムのやり取りをサポートするモジュラー型仮想エージェントフレームワークです。最近では、生成AIモデルの相互作用中に動的に適応できる機能も組み込むように拡張されました。

このプラットフォームにはMODIFF-8 15というモデルが含まれており、ユーザーの表情に動的に適応するリアルタイムの表情を生成します。この拡散ベースのモデルは、MIの文脈で収集されたマルチモーダルデータ、すなわちAnnoMIコーパスに基づいて訓練されました。AnnoMIコーパスは、セラピストとクライアントのペア間のカウンセリングセッション動画で構成され、YouTubeやViméoなどのストリーミングプラットフォームで収集され、ダイアログアクト(例:質問、挨拶などの行動を示す発話の分類)やアクションユニット(人間の顔表情の分類法)で注釈が付けられています。このデータは、ユーザーの現在の表情だけでなく、対話中に特定されたMI特有の対話行為、採用された会話戦略にも影響します。これには、MI関連ユーザーの対話行為(変更トークなど)や、エージェント自身の対話行為(振り返りや情報提供など)が含まれます。これらのマルチモーダル信号をリアルタイムで統合することで、仮想エージェントは社会的かつ文脈的に適切な表情を表現できます。非言語的行動(NVB)をインタラクションの文脈に合わせることで、このバーチャルエージェントは社会的信頼関係を促進し、面接プロセス全体を通じて内発的動機付けの開始を支援するよう設計されています15。

さらに、プラットフォームにはMI専用に設計された対話システム「DREAM16」も統合されています。DREAMはダイアログマネージャーで構成されており、現在のダイアログ状態とユーザーのプロフィールに基づいてエージェントの次のダイアログアクトを選択します。実際、AnnoMIコーパスの分析では、心筋梗塞患者の3つのプロファイルが明らかになりました:変化への開かれた状態(患者が変化を動機づけ、支援を求める状態)、受容的(患者がまだ変化を考えていない状態)、および抵抗性(患者が変化を望まない状態)13。仮想エージェントとやり取りする前に、ユーザーは意思決定バランススケール(DBS)アンケート17の回答に基づき、これら3つのプロファイルのいずれかに割り当てられます。この対話システムは、エージェントの言語出力を生成する大規模言語モデル(LLM)によって補完されており、これはダイアログマネージャーが選択した対話行為に対応しています。この構成要素は対話の文脈的適応を可能にし、より硬直的でルールベースのアプローチよりも改善を示しています6.最近の研究では、MI整合性対話を生成するためのLLMの利用が検討されていますが、ユーザープロファイルは考慮されていません(18,19)。対照的に、このモジュールはユーザーのプロフィールに動的に適応し、これらのベースラインシステムと比べてラポールを高めます。

これらのモデルをGreta 2.0プラットフォームに統合することで、動的なMI介入が可能になります。モジュール式の実装により、各モデルの影響を独立して評価できます。本論文では、MODIFF-8およびDREAMモデルがMI対話に与える貢献を評価する実験手法を提示します。この方法は、MI実践者とのセッション間に合わせたMI介入を提供するためにも利用できます。16GBのGPUを搭載したWindowsコンピュータとオープンソースソフトウェアのインストールが必要です。この手法を用いて、適応モデルがMIデリバリーエージェントの質の認識を向上させ、ラポール構築を促進することを示しました。また、エージェントが言語レベルおよび非言語レベル、会話戦略レベルで適応行動を用いることで、患者の行動変容動機の改善も観察されています。本論文で示された結果は、各患者に合わせて薬剤の心筋梗塞介入を調整することの肯定的な影響を示しています。

このシステムの設計を支持するために、動機付け面接、行動変容モデル、ユーザータイプ論など、栄養コーチングの理論的および実践的基盤を探求する詳細な文献レビューが実施されました。このレビューにより、2つの重要な側面を中心に構成された質的知識ベースの開発が進められました。1) トランスセオレティカルモデル19 に基づく変化への準備度(5段階:事前熟考、熟考、準備、行動、維持)、2) 食事行動プロファイル(20)食事および心理的関連要因に基づく20 。3つのプロファイルが特定されました。直感的食者(すなわち、空腹感や満腹感のサインに耳を傾け、多様で主に植物性の食事を維持し、高品質でしばしばオーガニックな食品を優先)、感情的な食べ方(ストレス、孤独、喜びを頻繁に甘いものや脂っこいものを間食し、その後に罪悪感を感じるタイプ)、そして制限的な食べ方(つまり、食事のコントロールに執着するタイプ、 彼らはカロリーを計算し、頻繁にダイエットを繰り返し、ヨーヨー効果があり、摂食障害もあるかもしれません。

各段階とプロファイルの組み合わせに対して、カスタマイズされたSMART目標、動機付けの定式化、具体的な行動提案など、文脈に応じた対話戦略が提案されました。この目的は、バーチャルエージェントが心理的準備度と個人的傾向の両方に基づいて介入を動的に適応させることでした。この基盤は、ユーザーの関与と長期的な行動変容を維持する上で極めて重要な、より高いパーソナライズと共感のインタラクションを保証します。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

プロトコル

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

この方法はINSEAD研究所(Institut européen d'administration des affaires)から倫理的IRB承認を受けており、受理番号はINSEAD 2024-78およびINSEAD 2025-23です。すべての参加者はインフォームド・コンセントを提供し、実験時間に対して報酬を受け取りました。

1. 参加者の募集

  1. 参加者募集は研究所のメーリングリストを使ってください。参加者に制約はありませんが、デジタルインターフェースに慣れていることとフランス語の流暢さが条件です。3名はインターネットリソースの減少により除外され、これにより全システム応答遅延が大幅に増加しました。

2. 事前設置要件

  1. Windowsパソコンを使いましょう。Intel i7 CPU、20コア、28スレッド(使用率50%)、RAMは32GB(使用率20%)、GPUは32GBのNvidia RTX 5000(使用率は20%)です。
  2. Java SE Development Kit 8(https://www.oracle.com/java/technologies/javase/javase8-archive-downloads.html)をインストールしてください。Visual Studio 2013 (https://www.microsoft.com/en-us/download/details.aspx?id=40784)用のVisual C++ Redistributableをインストールしてください。
  3. Cereprocライセンス(https://app.cereproc.com/)を申請してください。OpenFace(https://github.com/TadasBaltrusaitis/OpenFace)をインストールしてください。ウェブカメラを用意しましょう。

3. グレタの設置

  1. https://github.com/isir/greta/releases からソフトウェアリリースをダウンロードしてください。NetBeans(詳細な手順は https://github.com/isir/greta/wiki/Quick-start で)を使ってコンパイルします。

4. Mistral APIキー設定

  1. https://console.mistral.ai/api-keys からMistral APIキーを取得してください。
  2. ファイルを作成してください:greta\bin\Common\Data\LLM\MICounselorRL\api_key.txt。作成したファイルにAPIキーを貼り付けます。

5. DeepGram APIキー設定

  1. https://console.deepgram.com/ からDeepGramのAPIキーを取得してください。
  2. ファイルを作成してください:greta\bin\Common\Data\DeepASR\DeepGram\api_key.txt。作成したファイルにAPIキーを貼り付けます。

6. MODIFFモデルのインポート

  1. https://drive.google.com/file/d/1n3udJf5pSNnFmxs_kt_zcFcF0m7zoLLr/view?usp=sharing からモデルの重みをダウンロードし、ファイルをgreta\bin\Common\Data\MODIFFに入力してください。
  2. https://dlib.net/files/mmod_human_face_detector.dat.bz2 や https://dlib.net/files/shape_predictor_5_face_landmarks.dat.bz2 から dlib 顔検出モデルをダウンロードして解凍し、それらをbin/Common/Data/TurnManagement/dlib_modelsに入れます。
  3. https://drive.google.com/drive/folders/10_MTPkRyJCoFLDt4LO_M9kRgoreh6gEF?usp=sharing からモデル/VAP内のすべてのVAPモデルをダウンロードし、bin/Common/Data/TurnManagement/models/に配置してください。

7. グレタ2.0のローンチ

  1. 発射Modular.jar。 ファイル>をクリックしてGreta>開>Advanced > 20250128 Greta - Expé Lucie_full.xml。
  2. 構成が 図1と一致していることを確認してください。

8. OpenFaceの立ち上げ

  1. OpenFaceをオフラインでZeroMQ.exe始めましょう。OpenFaceの特定のバージョンでは、ZeroMQプロトコルを用いてポート5000を通じてGretaプラットフォームと直接通信が可能です。
  2. 記録タブで、ZeroMQで放送以外のすべてをチェックし外してください。これにより、抽出された信号(AU、視線、頭部の動きなど)をGretaプラットフォームに送信できます。
  3. 「ファイル」タブで「 ウェブカメラを開く」をクリックしてください。利用可能なウェブカメラを使ってライブの特徴抽出を許可してください。
  4. 使用するウェブカメラを選択し、ウェブカメラが読み込まれるまで待ちます( 図2参照)。ウェブカメラが読み込まれると、ツールは自動的にライブフィーチャー抽出を開始し、データをGretaプラットフォームに送信します。

9. MODIFF-8の発射

  1. OpenFace2のOutput Stream Readerで Connect ボタンをクリックし、OpenFaceから送信された利用可能な機能リストが入力されるのを待ちます( 図3参照)。
  2. 「 >すべてのセットを選択」をクリックして、プラットフォームに継続的にOpenfaceから受け取りたい機能セットを検証します。
  3. Modiffで 「起動 」をクリックし、「localhost 5560のサーバーに接続中」というメッセージを待ちます。
  4. 「 接続」をクリックします。このステップにより、表情生成モジュールModiffとGreta OpenFaceのデータ受信機との接続が活性化されます。
  5. フィルターの「 実行」をクリックすると、仮想エージェントがModiffモジュールで生成されたデータを実行することができます。
  6. MODIFFウィンドウで「 Enable」をクリックします。モデルが安定するまで90秒待ちます。

10. ASR発射

  1. DeepGramのウィンドウで「 Enable」を押してください。

11. DREAMの立ち上げ

  1. DREAMを使うには条件強化 を選択し 、プレーンLLMを使うにはベースラインを選択してください。
  2. MIカウンセラーRLウィンドウで「 Enable」をクリックします。モデルが始まるまで30秒待ちます。

12. 部屋の準備をする

  1. 大きなモニターをテーブルの上に置き、前に椅子を置いてみてください。モニターの上に椅子の方を向いてウェブカメラを設置してください。椅子の前のテーブルに指向性マイクを置いてください。

13. 参加者を歓迎する

  1. 参加者を個室へと歓迎します( 図4参照)。 補足ファイル1のスピーチに従い、参加者に説明を行ってください。
  2. 参加者にDBSアンケートを5段階リッカートスケールで記入してもらいます( 表1の項目参照)。
  3. 参加者にマイクに向かって話すよう促します。ウェブカメラが参加者の頭部と上半身を捉えていることを確認してください

14. 参加者プロフィールを特定する

  1. DBSスコアがマイナスの場合は、参加者を「変化への抵抗性」と分類します。DBSスコアが0から2の間であれば、参加者を受容型と分類します。そうでなければ、参加者は変化に開かれていると分類してください。

15. テーマとプロフィールを設定する

  1. MIカウンセラーRLのウィンドウで、参加者が選んだテーマを話し合うように設定します。ステップ14で指定されたプロファイルを設定します。

16. 対話を始める

  1. MIカウンセラーRLウィンドウで「 開始 」をクリックすると、エージェントが参加者と話し合いを開始できます。このボタンをクリックするとダイアログがDREAMとなり、マルチモーダルMODIFFモデルが自動的にエージェントの行動を駆動します。

17. 対話中

  1. MIカウンセラーのウィンドウの回答段落を監視し、LLMの出力が有害でないか確認してください。
  2. DeepGramウィンドウで、エージェントのターンが終わった後に 「Listen 」をクリックしてください。
  3. 発言が認識されない場合は、MIカウンセラーRLウィンドウのリクエスト段落に参加者の発言を入力し、「 送信」をクリックしてください。これにより自動的にエージェントの応答が生成されます。
  4. 参加者の答えを待ちましょう。
  5. 17.1から17.4まで繰り返して会話が終わるまで続けます。会話は自然に止まります。

18. 介入後

  1. 参加者に介入後のアンケートに記入してもらいます( 表1の項目1-9参照)。 補足ファイル1のスピーチを使って参加者をブリーフィングしてください。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

結果

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

提示されたプロトコルでは、測定したい行動に合わせてアンケートを用いて相互作用の書き起こしとユーザーフィードバックを収集しました。私たちは、モデルの有無にかかわらず相互作用の結果を比較しました。

プロトコルを用いたMODIFF-8適応型表現生成の影響評価
MODIFF-8モジュールは、仮想エージェントが文脈的に適切かつユーザーと行動的に同期した表情を生成することで、社会的応答性を高めるために設計されました。この設計の核心仮説は、特に交換内容に沿った表情などの適応的非言語行動が、MI19、20、21におけるラポール構築や自己開示の促進に役割を果たすというものです。

このリアルタイム適応能力の影...

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

ディスカッション

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

本論文では、個別の行動生成モジュールを制御され再現可能な相互作用フレームワーク内で個別の行動生成モジュールをテストするための、個別の動機付け面接介入を提供するためのプロトコルを提示します。この手法はGreta 2.0プラットフォームのモジュールアーキテクチャに基づいて構築されており、エージェントの動作に関わるコンポーネントを制御できるため、研究者は特定のモジュールを簡単にオン・オフ切り替えが可能です。この柔軟性により、Greta 2.0は実験的操作と人間とエージェントのマルチモーダル相互作用における新機能のターゲット評価の両方に適しています。このプロトコルは2つの目的で使用できます。Greta Platformの新しいモジュールの妥当性(例えば自動ジェスチャーを生成するモジュール)の有効性を検証するか、治療閾値を超える質のカスタマイズされた動機付け面接の提供です。結果が示すように、これらの適応モデルの使用はエージェントの認識とユーザーの行動変化の動機を高める。

このプラットフォームの重要な応用の一つは、人間の専門家...

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

開示事項

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

著者たちは何も明かすことはありません。

謝辞

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

この研究は、ANR-DFG-JST Panorama、ANR-JST-CREST TAPAS(19-JSTS-0001-01)、Enhancer(ANR-22-EXEN-0004)、およびPEPR-Ensemble PC3(ANR-22-EXEN-0004)プロジェクトの一部資金提供を受けました。本論文で提示された評価は、イデックス・ソルボンヌ大学の資金提供を受け、将来の投資プログラムへの国家支援の一環として提供されました。この研究はまた、フランス国立研究庁(Agence Nationale de la Recherche)が管理するフランス政府の助成金(France 2030プログラムの一環としてANR-22-EXEN-0004(PEPR eNSEMBLE / MATCHING)および22-PESN-0009(PEPR AUTONOM-HEALTH)によっても支援されました。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

材料

この記事で使用された材料の一覧
名前会社カタログ番号コメント
コンピュータデルIntel Core i7-14700プロセッサとNvidia RTX5000を搭載したコンピュータ
マイクヘッドセットエピソードマイク付きのヘッドセット
ウェブカメラロジクール表情抽出のために
ウェブカメラ2ロジクールビデオ録画用

参考文献

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

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

再版と許可

このJoVE記事のテキストまたは図の再利用許可をリクエスト

許可をリクエスト

タグ

関連記事