방법 논문

적응형 비언어 행동 및 언어 모델을 통합하여 실시간 동기 부여 면담을 위한 가상 에이전트

DOI:

10.3791/69254

⸱

2025년 12월 23일

 ,  ,  ,  ,  ,  , 
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

이 논문에서

요약

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

우리는 최신 언어와 확산 모델을 결합하여 사용자의 행동과 프로필에 맞게 적응하는 실시간 동기 부여 인터뷰를 수행할 수 있는 오픈 소스 가상 에이전트 플랫폼을 제시합니다. Greta 2.0 플랫폼을 활용하여 영양 및 스포츠 중심 개입 등 다양한 주제를 지원하며, 디지털 치료 상호작용을 향상시키기 위한 유연하고 검증된 도구를 제공합니다.

초록

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

치료 지원에 대한 수요가 증가하면서 점점 더 전문가의 역량을 초과하고 있습니다. 동기부여 면담(MI)을 수행할 수 있는 가상 에이전트는 환자들이 인간 치료사와의 세션 사이에 행동 변화라는 목표를 달성할 수 있도록 돕는 유망한 해결책을 제공합니다. MI는 본질적으로 협력적이고 적응적인 의사소통 형태입니다. 따라서 대화 전략을 상황에 맞게 조정할 수 있는 에이전트를 개발하는 것은 치료의 효과를 크게 높일 수 있습니다. MI 세션 동안 인간 치료사는 인간 환자의 반응과 프로필에 따라 언어적 및 비언어적 행동을 조정합니다. 환자의 동기 수준에 따라 치료사는 그에 맞게 접근 방식을 조정합니다. 따라서 효과적인 MI 가상 에이전트 개발에는 개인화와 적응성이 필수적입니다. 이 논문에서는 실시간으로 사용자에게 언어적·비언어적으로 동적으로 적응하여 MI 세션을 수행할 수 있는 가상 에이전트를 제시합니다. 최첨단 모델을 활용하여 이 시스템은 MI 상호작용을 가능하게 합니다. 가상 에이전트는 Greta 2.0 플랫폼을 통해 구현됩니다. 비언어적 행동은 MODIFF라는 확산 모델을 통해 생성되며, 이는 사용자의 표정과 변화 준비 상태에 적응합니다. 이러한 표정들은 MI 코퍼스에서 학습되었고, 전용 사용자 연구를 통해 검증되었습니다. 대화는 최첨단 대형 언어 모델(LLM)을 사용해 생성되며, MI를 위해 특별히 설계된 대화 관리자와 강화 학습 접근법을 통해 강화되고 사용자 테스트를 통해 검증됩니다. 더 나아가, 대화 관리자는 다양한 사용자 프로필에 맞게 조정할 수 있습니다. 결과적으로 만들어진 플랫폼은 오픈소스이며 실시간 다중 모드 MI 대화 생성을 용이하게 하여 디지털 매개 치료 상호작용을 위한 새로운 도구를 제공합니다.

서론

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

동기 면담(MI)은 행동 변화를 장려하는 협력적 치료 접근법입니다. MI 세션 동안 MI 실무자들은 환자들이 변화를 위한 동기를 명확히 표현하고 촉진하도록 돕습니다. 1. 이를 위해 그들은 반성이나 질문과 같은 대화 전략을 사용하며, 미소나 특정 머리와 몸 자세 같은 비언어적 행동으로 강화합니다.

최근 몇 년간 정신 건강 문제의 빈도가 증가함에 따라, 정신 건강 서비스에 대한 수요와이용 가능한 자원 사이에 격차가 생겼습니다. 이로 인해 환자들이 치료를 받기 전 대기 시간이 길어졌다 2,3. 이 문제를 완화하기 위한 한 가지 제안된 해결책은 예약을 기다리는 환자들을 위해 MI를 복제할 수 있는 가상 에이전트를 사용하는 것입니다. 즉각적인 지원과 개입을 제공함으로써, 이 가상 에이전트들은 특히 여러 세션이 필요한 치료 환경에서 대기 기간의 영향을 줄이는 데 도움을 줄 수 있습니다. 여러 연구에서 MI 전문가를 대체하는 것이 목적이 아닌 5,6,7,8,9 같은 에이전트 또는 챗봇의 효과가 입증되었습니다; 이들은 치료 과정에서 보완적인 도구로 기능하도록 설계되었습니다. 예를 들어, 세션 사이에 심근 개입을 제공할 수 있습니다.

이전 MI 요원들이 적응 행동이 제한적이긴 하지만, MI는 본질적으로 협력적이고 적응적인 의사소통 형태입니다. 따라서 대화를 맥락에 맞게 조정할 수 있는 치료제를 개발하는 것은 치료법10의 효과를 크게 높일 수 있습니다. MI 세션 동안 치료사는 환자의 반응, 동기 또는 참여 수준 11,12, 그리고 개별 프로필에 따라 언어(대화) 및 비언어적 행동을 조정합니다. 환자의 동기 수준에 따라 치료사는 그에 맞게 접근 방식을 조정합니다. 따라서 효과적인 MI 가상 에이전트 개발에는 개인화와 적응성이 필수적입니다.

Greta 2.0 플랫폼14 는 실시간 상호작용을 지원하는 모듈형 가상 에이전트 프레임워크입니다. 최근에는 상호작용 중 생성형 AI 모델의 동적 적응을 가능하게 하는 기능을 포함하도록 확장되었습니다.

이 플랫폼에는 MODIFF-815라는 모델이 포함되어 있는데, 이는 사용자의 얼굴 표정에 동적으로 적응하는 실시간 표정을 생성합니다. 이 확산 기반 모델은 MI 맥락에서 수집된 다중 모달 데이터, 즉 치료사와 내담자 쌍 간의 상담 세션 영상으로 구성된 AnnoMI 코퍼스를 기반으로 훈련되었으며, 이 코퍼스는 YouTube와 Viméo 같은 스트리밍 플랫폼에서 수집되었으며, 대화 행위(질문, 인사, 인사 등 행동을 나타내는 발화 분류)와 행동 단위(인간 얼굴 표정의 분류학)에 주석이 달렸습니다. 이 데이터는 사용자의 현재 표정뿐만 아니라 상호작용 중 식별된 MI 특유의 대화 행동과 채택된 대화 전략에 따라 생성에 조건을 부여합니다. 여기에는 MI 관련 사용자의 대화 행위(예: 변경 토크)와 에이전트 자신의 대화 행위(예: 반영 또는 정보 제공)가 포함됩니다. 이 멀티모달 신호들을 실시간으로 통합함으로써, 시스템은 가상 에이전트가 사회적·맥락적으로 적합한 표정을 표현할 수 있게 합니다. 비언어적 행동(NVB)을 상호작용의 맥락에 맞춰 정렬함으로써, 이 가상 에이전트는 인터뷰 과정 전반에 걸쳐 사회적 유대감을 증진하고 내재적 동기 부여의 시작을 지원하도록 설계되었습니다.

또한, 이 플랫폼은 MI를 위해 특별히 설계된 대화 시스템인 DREAM16을 통합하고 있습니다. DREAM은 현재 대화 상태와 사용자의 프로필을 바탕으로 에이전트의 다음 대화 행위를 선택하는 대화 관리자로 구성되어 있습니다. 실제로 AnnoMI 코퍼스 분석은 MI 환자의 세 가지 프로필을 밝혀냈습니다: 변화에 열려 있는 경우(변화를 원하고 지원을 구하는 경우), 수용적(아직 변화를 고려하지 않은 상태), 저항형(환자가 변화할 의도가 없는 경우)13. 가상 에이전트와 상호작용하기 전에, 사용자는 의사결정 균형 척도(DBS) 설문지17에 대한 답변에 따라 이 세 가지 프로필 중 하나를 부여받습니다. 이 대화 시스템은 대화 관리자가 선택한 대화 행위에 대응하는 에이전트의 언어 출력을 생성하는 대형 언어 모델(LLM)으로 보완됩니다. 이 구성 요소는 대화의 맥락적 적응을 가능하게 하여 더 경직되고 규칙 기반의 접근법에 비해 개선된 점입니다. 최근 연구들은 LLM을 활용해 MI-일관성 대화를 생성하는 방법을 탐구했으나, 사용자 프로필을 고려하지 못했습니다18,19. 반면, 이 모듈은 사용자의 프로필에 동적으로 적응하여 이러한 기본 시스템과 비교해 친밀감을 향상시킵니다.

이 모델들을 Greta 2.0 플랫폼에 통합함으로써 동적 MI 개입이 가능해집니다. 모듈식 구현을 통해 각 모델의 영향력을 독립적으로 평가할 수 있습니다. 본 논문에서는 MODIFF-8과 DREAM 모델이 MI 대화에 기여하는 점을 평가하는 실험 수행 방법을 제시합니다. 이 방법은 MI 실무자와의 세션 사이에 맞춤형 MI 개입을 제공하는 데에도 사용할 수 있습니다. 16GB GPU가 장착된 윈도우 컴퓨터와 오픈소스 소프트웨어 설치가 필요합니다. 이 방법을 사용하여 적응 모델이 MI 전달 에이전트의 인지된 품질을 향상시키고 친밀감 형성을 강화함을 입증했습니다. 또한 에이전트가 언어 및 비언어 수준, 대화 전략 수준에서 적응 행동을 사용할 때 환자의 행동 변화 동기가 향상되는 것을 관찰했습니다. 이 논문에서 제시된 결과는 각 환자에 맞게 치료제의 심근경색 개입을 맞춤화하는 것이 긍정적인 영향을 미친다는 것을 보여줍니다.

이 시스템 설계를 지원하기 위해, 동기 부여 면담, 행동 변화 모델, 사용자 유형론 등 영양 코칭의 이론적·실천적 기초를 심층 문헌 검토로 탐구하였습니다. 이 검토는 두 가지 주요 차원의 교차점을 중심으로 구조화된 질적 지식 기반의 개발로 이어졌습니다: 1) 5단계(사전 사상, 숙고, 준비, 행동, 유지 단계)를 따른 사용자의 변화 준비 상태19 , 2) 식이 및 심리적 관련 요인에 기반한 식습관프로필 20 . 세 가지 유형이 확인되었습니다: 직관적 식사자(즉, 배고픔과 포만감 신호를 듣고, 다양하고 주로 식물성 식단을 유지하며, 고품질의 종종 유기농 식품을 우선시함), 감정적 식습관(즉, 스트레스, 외로움, 기쁨을 스트레스, 외로움, 기쁨을 달래며 단 음식이나 기름진 음식을 자주 간식으로 섭취하고, 종종 죄책감을 느끼는 유형), 그리고 제한적인 식사자(즉, 음식 조절에 집착하는 유형), 칼로리를 계산하고, 요요 효과가 있는 잦은 다이어트를 하며, 섭식 장애가 있을 수도 있습니다.

각 단계와 프로필 조합에 대해, 맞춤형 SMART 목표, 동기 부여 구성, 구체적 행동 제안 등 상황에 맞는 대화 전략이 제안되었습니다. 목표는 가상 에이전트가 심리적 준비도와 개인적 성향을 모두 바탕으로 개입을 동적으로 조정할 수 있도록 하는 것이었습니다. 이러한 기초 작업은 사용자 참여와 장기적인 행동 변화를 지속하는 데 필수적인 상호작용 시 개인화와 공감을 높여줍니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

프로토콜

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

이 방법은 INSEAD 연구소(Institut européen d'administration des affaires)로부터 윤리적 IRB 승인을 받았으며, 승인 번호는 INSEAD 2024-78 및 INSEAD 2025-23입니다. 모든 참가자는 사전 동의를 제공했고, 실험 시간에 대해 보상을 받았습니다.

1. 참가자 모집

  1. 연구소의 메일링 리스트를 통해 참가자를 모집하세요. 참가자에게는 디지털 인터페이스에 대한 친숙함과 프랑스어 유창성 외에는 아무런 제약이 없습니다. 인터넷 자원 감소로 인해 전 세계 시스템 응답 지연이 크게 증가하여 세 명의 참가자가 제외되었습니다.

2. 사전 설치 요구 사항

  1. 윈도우 컴퓨터를 사용하세요. 저희는 인텔 i7 CPU, 20코어, 28스레드(사용 50%), 램 32GB(사용량 20%), 32GB Nvidia RTX 5000 GPU(사용량 20%)를 사용합니다.
  2. Java SE Development Kit 8 (https://www.oracle.com/java/technologies/javase/javase8-archive-downloads.html) 설치하세요. Visual Studio 2013 (https://www.microsoft.com/en-us/download/details.aspx?id=40784)용 Visual C++ Redistributable 설치하세요.
  3. Cereproc 라이선스 요청(https://app.cereproc.com/). OpenFace (https://github.com/TadasBaltrusaitis/OpenFace) 설치하세요. 웹캠을 구입하세요.

3. 그레타 설치

  1. https://github.com/isir/greta/releases 에서 소프트웨어 릴리스를 다운로드하세요. NetBeans를 사용해 컴파일하세요(자세한 설명은 https://github.com/isir/greta/wiki/Quick-start 에서 확인할 수 있습니다).

4. Mistral API 키 구성

  1. https://console.mistral.ai/api-keys 에서 Mistral API 키를 받으세요.
  2. 파일을 생성하세요: greta\bin\Common\Data\LLM\MICounselorRL\api_key.txt. 생성된 파일에 API 키를 붙여넣으세요.

5. DeepGram API 키 구성

  1. https://console.deepgram.com/ 에서 DeepGram API 키를 받으세요.
  2. 파일을 생성하세요: greta\bin\Common\Data\DeepASR\DeepGram\api_key.txt. 생성된 파일에 API 키를 붙여넣으세요.

6. MODIFF 모델 가져오기

  1. https://drive.google.com/file/d/1n3udJf5pSNnFmxs_kt_zcFcF0m7zoLLr/view?usp=sharing 에서 모델 가중치를 다운로드해서 greta\bin\Common\Data\MODIFF에 파일을 넣으세요.
  2. https://dlib.net/files/mmod_human_face_detector.dat.bz2 와 https://dlib.net/files/shape_predictor_5_face_landmarks.dat.bz2 에서 dlib 얼굴 감지 모델을 다운로드하고 압축을 해제한 뒤, bin/Common/Data/TurnManagement/dlib_models에 넣으세요.
  3. https://drive.google.com/drive/folders/10_MTPkRyJCoFLDt4LO_M9kRgoreh6gEF?usp=sharing 에서 모델/VAP에 있는 모든 VAP 모델을 다운로드하여 bin/Common/Data/TurnManagement/models/에 배치하세요.

7. 그레타 2.0 출시

  1. 발사 Modular.jar. 파일 > 클릭하여 Greta >> Advanced > 20250128 Greta - Expé Lucie_full.xml.
  2. 구성이 그림 1과 일치하는지 확인하세요.

8. OpenFace 출시

  1. 오프라인 ZeroMQ.exe OpenFace 시작하세요. 특정 버전의 OpenFace는 ZeroMQ 프로토콜을 통해 포트 5000을 통해 Greta 플랫폼과 직접 통신할 수 있게 합니다.
  2. 레코드 탭에서 ZeroMQ로 방송을 제외한 모든 항목을 체크 해제하세요. 이 소프트웨어는 추출한 신호(AU, 시선, 머리 움직임 등)를 Greta 플랫폼으로 전송할 수 있게 합니다.
  3. 파일 탭에서 웹캠 열기를 클릭하세요. 사용 가능한 웹캠을 사용해 실시간 특징 추출을 승인하세요.
  4. 사용할 웹캠을 선택하고 웹캠이 로드될 때까지 기다리세요( 그림 2 참조). 웹캠이 로드되면 도구가 자동으로 실시간 피처 추출을 시작하고 데이터를 Greta 플랫폼으로 전송합니다.

9. MODIFF-8 발사

  1. OpenFace2 Output Stream Reader에서 Connect 버튼을 클릭하고 OpenFace에서 전송된 사용 가능한 기능 목록이 채워질 때까지 기다립니다( 그림 3 참조).
  2. 플랫폼이 Openface로부터 지속적으로 받아야 할 기능 세트를 검증하려면 '모두 > 셋 선택'을 클릭하세요.
  3. Modiff에서 '실행' 을 클릭하고 'localhost 5560에 서버에 연결됨'이라는 메시지를 기다리세요.
  4. 연결하기를 클릭하세요. 이 단계는 얼굴 표정 생성 모듈인 Modiff와 Greta OpenFace 데이터 수신기 간의 연결을 활성화합니다.
  5. 필터 아래에서 Perform을 클릭하면 가상 에이전트가 Modiff 모듈에서 생성된 데이터를 수행할 수 있습니다.
  6. MODIFF 창에서 활성화를 클릭하세요. 모델이 안정될 때까지 90초를 기다립니다.

10. ASR 발사

  1. DeepGram 창에서 활성화 버튼을 누르세요.

11. DREAM 출범

  1. DREAM을 사용하려면 Condition RL , 일반 LLM을 사용하려면 Baseline을 선택하세요.
  2. MI 상담사 RL 창에서 활성화를 클릭하세요. 모델이 시작될 때까지 30초를 기다립니다.

12. 방 준비

  1. 큰 모니터를 탁자 위에 놓고 앞에 의자를 두세요. 의자를 향한 모니터 위에 웹캠을 설치하세요. 의자 앞 테이블 위에 지향성 마이크를 놓으세요.

13. 참가자 환영

  1. 참가자를 개인실로 환영합니다( 그림 4 참조). 보조 파일 1의 연설에 따라 참가자에게 브리핑하세요.
  2. 참가자에게 DBS 설문지를 5단계 리커트 척도( 표 1 참조)로 작성하게 하세요.
  3. 참가자에게 마이크에 대고 말하라고 요청하세요. 웹캠이 참가자의 머리와 상체를 반드시 포착하는지 확인하세요

14. 참가자 프로필 식별

  1. DBS 점수가 음성이라면, 참가자를 변화에 저항하는 것으로 분류합니다. DBS 점수가 0에서 2 사이라면, 참가자를 수용형으로 분류합니다. 그렇지 않으면 참가자를 변화에 열려 있는 상태로 분류하세요.

15. 주제와 프로필 설정

  1. MI 상담사 RL 창에서 참가자가 선택한 주제를 설정하세요. 14단계에서 지정된 프로필을 설정하세요.

16. 대화 시작

  1. MI 상담사 RL 창에서 '시작 '을 클릭하면 상담원이 참가자와 대화를 시작하게 됩니다. 이 버튼을 클릭하면 대화가 꿈꾸게 되고, 다중 모달 MODIFF 모델은 에이전트의 행동을 자동으로 결정합니다.

17. 대화 중

  1. MI 상담사 창의 답변 단락을 모니터링하여 LLM 결과물이 해롭지 않은지 확인하세요.
  2. DeepGram 창에서 에이전트의 차례가 끝난 후 '듣 기'를 클릭하세요.
  3. 발언이 인식되지 않으면, MI 상담사 RL 창의 요청 단락에 참가자의 발언을 채우고 전송을 클릭하세요. 이것이 자동으로 에이전트의 반응을 생성합니다.
  4. 참가자의 답변을 기다리세요.
  5. 대화가 끝날 때까지 17.1부터 17.4까지 반복합니다. 대화가 저절로 멈춘다.

18. 개입 이후

  1. 참가자에게 중재 후 설문지를 작성하도록 요청하세요( 표 1의 1-9번 항목 참조). 보조 파일 1의 연설을 사용해 참가자를 브리핑하세요.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

결과

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

제시된 프로토콜에서는 측정하고자 하는 행동에 맞게 설문지를 활용해 상호작용 녹취록과 사용자 피드백을 수집했습니다. 우리는 상호작용 결과를 모델과 상호작용 없이 비교했습니다.

프로토콜 활용 MODIFF-8 적응형 표현 생성의 영향 평가
MODIFF-8 모듈은 가상 에이전트가 맥락에 적합하고 행동적으로 동기화된 얼굴 표정을 생성할 수 있도록 하여 가상 에이전트의 사회적 반응성을 향상시키기 위해 설계되었습니다15. 이 설계의 핵심 가설은 적응적 비언어 행동, 특히 상호작용 내용과 일치하는 얼굴 표정이 MI19, 20, 21 기간 동안 친밀감을 형성하고 자기 공개를 촉진하는 데 역할을...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

토론

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

이 논문에서는 맞춤형 동기 부여 면담 개입을 제공하고, 통제되고 재현 가능한 상호작용 프레임워크 내에서 개별 행동 생성 모듈을 테스트하는 프로토콜을 제시합니다. 이 방법은 Greta 2.0 플랫폼의 모듈식 아키텍처를 기반으로 하며, 에이전트 동작에 관련된 구성 요소를 제어할 수 있어 연구자들이 특정 모듈을 쉽게 켜고 끌 수 있게 합니다. 이러한 유연성 덕분에 Greta 2.0은 실험적 조작과 인간-에이전트 멀티모달 상호작용의 새로운 특징에 대한 표적 평가 모두에 적합합니다. 이 프로토콜은 두 가지 목적으로 사용할 수 있습니다: Greta 플랫폼의 새로운 모듈(예: 자동 제스처 생성 모듈)의 타당성 테스트, 또는 치료 기준을 초과하는 맞춤형 동기 부여 인터뷰 제공. 결과에서 알 수 있듯이, 이러한 적응 모델의 사용은 사용자 간 행위자에 대한 인식과 행동 변화 동기를 향상시킵니다.

이 플랫폼의 주요 응용 분야 중 하나는 특...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

공개 사항

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

저자들은 공개할 것이 없습니다.

감사의 글

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

이 연구는 ANR-DFG-JST Panorama, ANR-JST-CREST TAPAS(19-JSTS-0001-01), Enhancer(ANR-22-EXEN-0004), PEPR-Ensemble PC3(ANR-22-EXEN-0004) 프로젝트의 일부 자금 지원을 받았습니다. 이 논문에 제시된 평가는 미래를 위한 투자 프로그램의 국가 지원의 일환으로 Idex Sorbonne Université의 지원을 받았습니다. 이 연구는 프랑스 국립연구청(Agence Nationale de la Recherche)이 관리하는 프랑스 정부 보조금(프랑스 2030 프로그램의 일환으로, ANR-22-EXEN-0004 (PEPR eNSEMBLE / MATCHING) 및 22-PESN-0009(PEPR AUTONOM-HEALTH)의 지원을 받았습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재료

이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
컴퓨터델인텔 코어 i7-14700 프로세서와 엔비디아 RTX5000 프로세서를 탑재한 컴퓨터
마이크 헤드셋에포마이크가 달린 헤드셋
웹캠로지텍얼굴 표정 추출을 위해
웹캠2로지텍비디오 녹화를 위해

참고문헌

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

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재인쇄 및 허가

이 JoVE 논문의 텍스트 또는 그림 재사용 허가 요청

허가 요청

태그

관련 논문