Methodenartikel

Virtuele agent voor realtime motiverende gesprekken door het integreren van adaptief non-verbaal gedrag en taalmodellen

DOI:

10.3791/69254

⸱

23 december 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 dit artikel

Samenvatting

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

We presenteren een open-source virtueel agentenplatform voor het afnemen van realtime motiverende interviews, waarbij geavanceerde taal- en diffusiemodellen worden gecombineerd om zich aan te passen aan het gedrag en profiel van gebruikers. Met het Greta 2.0-platform ondersteunt het diverse onderwerpen, waaronder voeding en sportgerichte interventies, en biedt het een flexibel, gevalideerd hulpmiddel om digitale therapeutische interacties te verbeteren.

Samenvatting

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

De groeiende vraag naar therapeutische ondersteuning overschrijdt steeds meer de capaciteit van beschikbare professionals. Een virtuele agent die in staat is motiverende gesprekken (MI) uit te voeren, biedt een veelbelovende oplossing om patiënten te helpen hun doel van gedragsverandering te bereiken tussen sessies met menselijke therapeuten. MI is van nature een coöperatieve en adaptieve vorm van communicatie. Daarom kan het ontwikkelen van een agent die zijn conversatiestrategieën kan aanpassen aan de context de effectiviteit van therapie aanzienlijk vergroten. Tijdens MI-sessies passen menselijke therapeuten zowel hun verbale als non-verbale gedrag aan op basis van de reacties van de menselijke patiënten en hun profielen. Afhankelijk van het motivatieniveau van de patiënt past de therapeut zijn aanpak dienovereenkomstig aan. Daarom zijn personalisatie en aanpassingsvermogen essentieel voor het ontwikkelen van effectieve MI-virtuele agenten. In dit artikel presenteren we een virtuele agent die in staat is MI-sessies te leiden door zich dynamisch verbaal en non-verbaal aan gebruikers in realtime aan te passen. Met gebruik van geavanceerde modellen maakt dit systeem MI-interacties mogelijk. De virtuele agent wordt gecorporeerd met het Greta 2.0-platform. Het non-verbale gedrag wordt gegenereerd via een diffusiemodel genaamd MODIFF, dat zich aanpast aan de gezichtsuitdrukkingen van de gebruiker en hun gereedheid om te veranderen. Deze gezichtsuitdrukkingen zijn geleerd op een MI-corpus en gevalideerd via een speciale gebruikersstudie. De dialoog wordt gegenereerd met behulp van een state-of-the-art large language model (LLM), verbeterd door een dialoogmanager die specifiek is ontworpen voor MI, met een reinforcement learning-benadering, en gevalideerd via gebruikerstests. Bovendien kan de dialoogmanager zich aanpassen aan verschillende gebruikersprofielen. Het resulterende platform is open source en faciliteert het genereren van realtime, multimodale MI-dialogen, waarmee nieuwe tools worden geboden voor digitaal gemedieerde therapeutische interacties.

Inleiding

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

Motiverend interviewen (MI) is een samenwerkende therapeutische aanpak die gedragsverandering stimuleert. Tijdens MI-sessies helpen MI-behandelaars patiënten om hun motivatie voor verandering te verwoorden en te versterken1. Hiervoor gebruiken ze dialoogstrategieën, zoals reflecties of vragen, versterkt door non-verbaal gedrag, zoals glimlachen of specifieke hoofd- en lichaamshoudingen.

Naarmate de frequentie van psychische problemen de afgelopen jaren is toegenomen, is er een kloof ontstaan tussen de vraag naar geestelijke gezondheidszorg en de beschikbare middelen2. Dit heeft geleid tot langere wachttijden voor patiënten voordat zij toegang krijgen tot therapie 2,3. Een voorgestelde oplossing om dit probleem te verlichten betreft virtuele agenten die MI kunnen repliceren voor patiënten die op afspraken wachten. Door directe ondersteuning en interventie te bieden, kunnen deze virtuele agenten helpen de impact van wachttijden te verminderen, vooral in therapeutische contexten die meerdere sessies vereisen4. Verschillende studies hebben de effectiviteit aangetoond van dergelijke agenten of chatbots 5,6,7,8,9 die niet als doel hebben MI-experts te vervangen; Ze zijn bedoeld als een aanvullend hulpmiddel binnen het therapeutische proces. Ze kunnen bijvoorbeeld MI-interventie geven tussen sessies door.

Hoewel eerdere MI-agenten vaak beperkt adaptief gedrag vertonen, is MI van nature een coöperatieve en adaptieve vorm van communicatie. Daarom kan het ontwikkelen van een agent die zijn dialoog kan aanpassen aan de context de effectiviteit van therapieaanzienlijk verhogen. Tijdens MI-sessies passen therapeuten zowel hun verbale (conversatiestrategieën) als non-verbale gedragingen aan op basis van de reacties van de patiënt, motivatie of betrokkenheidsniveau11,12, evenals hun individuele profielen13. Afhankelijk van het motivatieniveau van de patiënt past de therapeut zijn aanpak dienovereenkomstig aan. Daarom zijn personalisatie en aanpassingsvermogen essentieel voor het ontwikkelen van effectieve MI-virtuele agenten.

Het Greta 2.0 platform14 is een modulair virtual agent-framework dat realtime interacties ondersteunt. Onlangs is het uitgebreid met mogelijkheden die de dynamische aanpassing van generatieve AI-modellen tijdens interactie mogelijk maken.

Het platform bevat een model genaamd MODIFF-815, dat realtime gezichtsuitdrukkingen genereert die dynamisch worden aangepast aan de eigen gezichtsuitdrukkingen van de gebruiker. Dit diffusiemodel werd getraind op multimodale data verzameld in de context van MI, namelijk het AnnoMI-corpus, bestaande uit counselingsessievideo's tussen therapeuten en cliëntparen, verzameld op streamingplatforms zoals YouTube en Viméo, en geannoteerd in dialooghandelingen (een classificatie van uitingen die de uitgevoerde handelingen aanduidt, bijvoorbeeld Vraag, Begroeting...) en actie-eenheden (een taxonomie van menselijke gezichtsuitdrukking). Deze data bepaalt de generatie niet alleen op basis van de huidige gezichtsuitdrukking van de gebruiker, maar ook op MI-specifieke dialooghandelingen die tijdens de interactie worden geïdentificeerd, gekoppeld aan de gehanteerde conversatiestrategieën. Deze omvatten dialooghandelingen van MI-relevante gebruikers, zoals change talk, evenals de eigen dialooghandelingen van de agent, zoals reflectie of het verstrekken van informatie. Door deze multimodale signalen in realtime te integreren, stelt het systeem de virtuele agent in staat om sociaal en contextueel passende gezichtsuitdrukkingen te uiten. Door zijn non-verbale gedrag (NVB) af te stemmen op de context van de interactie, is deze virtuele agent ontworpen om sociale band te bevorderen en het initiëren van intrinsieke motivatie gedurende het hele interviewproceste ondersteunen 15.

Daarnaast integreert het platform een dialoogsysteem dat speciaal voor MI is ontworpen, genaamd DREAM16. DREAM bestaat uit een dialoogmanager die de volgende dialooghandeling van de agent selecteert op basis van de huidige dialoogstatus en het profiel van de gebruiker. Onze analyses van het AnnoMI-corpus onthulden inderdaad drie profielen van MI-patiënten: Open to Change (wanneer de patiënt gemotiveerd is om te veranderen en steun zoekt), Receptief (wanneer de patiënt nog niet aan verandering heeft gedacht) en Resistent (wanneer de patiënt niet van plan is te veranderen)13. Voordat gebruikers met de virtuele agent in contact komen, krijgen ze een van deze drie profielen toegewezen op basis van hun antwoorden op de Decision Balance Scale (DBS) vragenlijst17. Dit dialoogsysteem wordt aangevuld door een groot taalmodel (LLM) dat de verbale output van de agent genereert, overeenkomend met de dialooghandeling die door de dialoogmanager is geselecteerd. Deze component maakt contextuele aanpassing van de dialoog mogelijk, wat een verbetering markeert ten opzichte van meer rigide, op regels gebaseerde benaderingen6. Hoewel recente studies het gebruik van LLM's hebben onderzocht om MI-consistente dialogen te genereren, houden ze geen rekening met gebruikersprofielen18,19. Daarentegen past deze module zich dynamisch aan het profiel van de gebruiker aan, wat de band verbetert ten opzichte van deze basissystemen.

De integratie van deze modellen in het Greta 2.0-platform maakt dynamische MI-interventies mogelijk. De modulaire implementatie maakt onafhankelijke evaluatie van de impact van elk model mogelijk. In dit artikel presenteren we de methode die wordt gebruikt om experimenten uit te voeren die de bijdragen van de MODIFF-8- en DREAM-modellen aan de MI-dialoog van het gebruikte platform beoordelen. Deze methode kan ook worden gebruikt om op maat gemaakte MI-interventies uit te voeren tussen sessies met MI-beoefenaars. Het vereist een Windows-computer met een 16 GB GPU en de installatie van open-source software. Met deze methode tonen we aan dat onze adaptatiemodellen de waargenomen kwaliteit van de MI-leveringsagent verbeteren en het opbouwen van een relatie bevorderen. We zien ook verbetering in de motivatie van patiënten om hun gedrag te veranderen wanneer de agent aangepaste gedragingen gebruikt op verbaal en non-verbaal niveau, en op het niveau van gespreksstrategieën. De resultaten in dit artikel tonen het positieve effect aan van het afstemmen van de MI-interventie van het middel op elke patiënt.

Om het ontwerp van dit systeem te ondersteunen, werd een diepgaande literatuurstudie uitgevoerd om de theoretische en praktische fundamenten van voedingscoaching te verkennen, waaronder motiverende interviews, gedragsveranderingsmodellen en gebruikerstypologieën. Deze review leidde tot de ontwikkeling van een kwalitatieve kennisbasis, gestructureerd rond het kruispunt van twee belangrijke dimensies: 1) de gereedheid van gebruikers voor verandering volgens het Transtheoretical Model19 , dat 5 fasen identificeert: precontemplatie, contemplatie, voorbereiding, actie en onderhoud, en 2) hun eetgedragsprofielen20 gebaseerd op dieet en psychologisch gerelateerde factoren. Er werden drie profielen geïdentificeerd: de intuïtieve eter (d.w.z. luistert naar hun honger- en verzadigingssignalen, onderhoudt een gevarieerd en overwegend plantaardig dieet, geeft prioriteit aan hoogwaardige, vaak biologische voedingsmiddelen), de emotionele eter (d.w.z. gaat om met stress, eenzaamheid en vreugde door vaak zoete of vette snacks te eten, en voelt zich vaak schuldig daarna) en de restrictieve eter (d.w.z. geobsedeerd door voedselcontrole). Ze tellen calorieën, volgen regelmatig diëten met jojo-effecten, en kunnen een eetstoornis hebben.

Voor elke combinatie van fase en profiel werden contextspecifieke dialoogstrategieën voorgesteld, waaronder op maat gemaakte SMART-doelen, motiverende formuleringen en concrete gedragssuggesties. Het doel was om de virtuele agent in staat te stellen zijn interventies dynamisch aan te passen op basis van zowel psychologische paraatheid als persoonlijke neigingen. Deze basis zorgt voor een hogere mate van personalisatie en empathie in interactie, wat cruciaal is voor het behouden van gebruikersbetrokkenheid en langdurige gedragsverandering.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

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

De methode kreeg ethische IRB-goedkeuring van het INSEAD-instituut (Institut européen d'administration des affaires) met acceptatienummers: INSEAD 2024-78 en INSEAD 2025-23. Alle deelnemers gaven geïnformeerde toestemming en werden gecompenseerd voor hun experimentele tijd.

1. Werving van deelnemers

  1. Oproep voor deelnemers via de mailinglijsten van het instituut. Geen beperkingen voor de deelnemers, behalve vertrouwdheid met digitale interfaces en vloeiendheid in het Frans. Drie deelnemers werden uitgesloten vanwege dalingen in internetbronnen, wat de wereldwijde systeemresponslatentie aanzienlijk verhoogde.

2. Pre-installatievereisten

  1. Gebruik een Windows-computer. We gebruiken een Intel i7 CPU, 20 cores, 28 threads (50% gebruik), RAM 32GB (20% gebruik), 32GB Nvidia RTX 5000 GPU (20% gebruik).
  2. Installeer Java SE Development Kit 8 (https://www.oracle.com/java/technologies/javase/javase8-archive-downloads.html). Visual C++ Redistributable voor Visual Studio 2013 (https://www.microsoft.com/en-us/download/details.aspx?id=40784) installeren.
  3. Vraag een Cereproc-licentie aan (https://app.cereproc.com/). Installeer OpenFace (https://github.com/TadasBaltrusaitis/OpenFace). Haal een webcam.

3. Greta-installatie

  1. Download de softwarerelease van https://github.com/isir/greta/releases. Compileer met NetBeans (gedetailleerde instructies op: https://github.com/isir/greta/wiki/Quick-start).

4. Mistral API-sleutelconfiguratie

  1. Haal een Mistral API-sleutel van https://console.mistral.ai/api-keys.
  2. Maak het bestand aan: greta\bin\Common\Data\LLM\MICounselorRL\api_key.txt. Plak de API-sleutel in het aangemaakte bestand.

5. DeepGram API-sleutelconfiguratie

  1. Haal een DeepGram API-sleutel van https://console.deepgram.com/.
  2. Maak het bestand aan: greta\bin\Common\Data\DeepASR\DeepGram\api_key.txt. Plak de API-sleutel in het aangemaakte bestand.

6. MODIFF-modelimport

  1. Download de modelgewichten van https://drive.google.com/file/d/1n3udJf5pSNnFmxs_kt_zcFcF0m7zoLLr/view?usp=sharing en plaats het bestand in greta\bin\Common\Data\MODIFF.
  2. Download en comprimeer dlib gezichtsdetectiemodellen van https://dlib.net/files/mmod_human_face_detector.dat.bz2 en https://dlib.net/files/shape_predictor_5_face_landmarks.dat.bz2, en plaats ze vervolgens in bin/Common/Data/TurnManagement/dlib_models.
  3. Download alle VAP-modellen in model/VAP van https://drive.google.com/drive/folders/10_MTPkRyJCoFLDt4LO_M9kRgoreh6gEF?usp=sharing en plaats ze in bin/Common/Data/TurnManagement/modellen/.

7. De lancering van Greta 2.0

  1. Lanceer Modular.jar. Klik op Bestand > Open > Greta > Advanced > 20250128 Greta - Expé Lucie_full.xml.
  2. Zorg ervoor dat de configuratie overeenkomt met Figuur 1.

8. OpenFace lanceren

  1. Start OpenFace Offline ZeroMQ.exe. Een specifieke versie van OpenFace maakt directe communicatie met het Greta-platform mogelijk via het ZeroMQ-protocol via poort 5000.
  2. Verwijder in het tabblad Record alles behalve Broadcast with ZeroMQ. Het stelt de software in staat om de geëxtraheerde signalen (AU's, Gaze, Head-bewegingen ...) naar het Greta-platform te sturen.
  3. Klik in het tabblad Bestand op Webcam openen. Autoriseer live feature-extractie met de beschikbare webcam.
  4. Selecteer de webcam die je wilt gebruiken en wacht tot de webcam is geladen (zie Figuur 2). Zodra de webcam is geladen, start de tool automatisch de live feature-extractie en stuurt de data naar het Greta-platform.

9. Lancering van MODIFF-8

  1. Klik in OpenFace2 Output Stream Reader op de Connect-knop en wacht tot de lijst met beschikbare functies, verzonden vanuit OpenFace, wordt ingevuld (zie Figuur 3).
  2. Klik op Selecteer Alle > Set om de set functies te valideren die je wilt dat het platform continu van Openface ontvangt.
  3. Klik onder Modiff op Launch en wacht op het bericht: Verbonden met server bij localhost 5560.
  4. Klik op Verbinden. Deze stap activeert de verbinding tussen de module voor gezichtsuitdrukkingsgeneratie Modiff en de Greta OpenFace dataontvanger.
  5. Klik onder Filter op Uitvoeren, zodat de virtuele agent de door de Modiff Module gegenereerde data kan uitvoeren.
  6. Klik in het MODIFF-venster op Enable. Wacht 90 seconden tot het model stabiel is.

10. Lancering van ASR

  1. In het DeepGram-venster drukt u op Enable.

11. De lancering van DREAM

  1. Selecteer de Condition RL om DREAM te gebruiken en Baseline om een gewone LLM te gebruiken.
  2. Klik in het MI Counsellor RL-venster op Enable. Wacht 30 seconden tot het model start.

12. De kamer inrichten

  1. Gebruik een groot scherm om op een tafel te zetten met een stoel ervoor. Zet een webcam bovenop de monitor die naar de stoel gericht is. Leg een richtmicrofoon op de tafel voor de stoel.

13. De deelnemer welkom heten

  1. Verwelkom de deelnemer in een privéruimte (zie Figuur 4). Informeer de deelnemer volgens de toespraak in Aanvullend Dossier 1.
  2. Laat de deelnemer de DBS-vragenlijst invullen op een 5-stappen Likert-schaal (zie items in Tabel 1).
  3. Vraag de deelnemer om in de microfoon te praten. Zorg ervoor dat de webcam het hoofd en bovenlichaam van de speler vastlegt

14. Identificeer het deelnemersprofiel

  1. Als de DBS-score negatief is, classificeer de deelnemer dan als Resistent tegen Verandering. Als de DBS-score tussen 0 en 2 ligt, classificeer de deelnemer dan als Receptief. Anders classificeer je de deelnemer als Open to Change.

15. Stel het thema en profiel vast

  1. In het MI Counsellor RL-venster stel je het thema in dat besproken wordt zoals de deelnemer kiest. Stel het profiel in zoals geïdentificeerd in stap 14.

16. Begin de dialoog

  1. In het MI Counsellor RL-venster klik je op Start zodat de agent het gesprek met de deelnemer begint. Door op deze knop te klikken, wordt de dialoog DREAM, en multimodale gedragingen die MODIFF-modellen modelleren automatisch aansturen het gedrag van de agent.

17. Tijdens de dialoog

  1. Houd de Antwoordparagraaf van het MI Counsellor-venster in de gaten om te zorgen dat de LLM-output niet schadelijk is.
  2. Klik in het DeepGram-venster op Luisteren nadat de beurt van de agent is afgelopen.
  3. Als de spraak niet wordt herkend, vul dan de Verzoekparagraaf van het MI Counsellor RL-venster in met de toespraak van de deelnemer en klik op Verzenden. Dit creëert automatisch de reactie van de agent.
  4. Wacht op het antwoord van de deelnemer.
  5. Herhaal 17.1 tot 17.4 totdat de dialoog eindigt. De dialoog stopt vanzelf.

18. Na de interventie

  1. Vraag de deelnemer om de vragenlijsten na de interventie in te vullen (zie items 1-9 in Tabel 1). Debriefe de deelnemer met de toespraak in Aanvullend Bestand 1.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

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

In het gepresenteerde protocol verzamelden we interactietranscripties en gebruikersfeedback met behulp van vragenlijsten die waren aangepast aan het gedrag dat we willen meten. We vergeleken de resultaten van de interactie met of zonder onze modellen.

Het protocol gebruiken om de impact van de MODIFF-8 adaptieve expressiegeneratie te evalueren
De MODIFF-8 module is ontworpen om de sociale responsiviteit van de virtuele agent te verbeteren d...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

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

In dit artikel presenteren we een protocol voor het uitvoeren van op maat gemaakte Motiverende Interviewing-interventies en voor het testen van individuele gedragsgeneratiemodules binnen een gecontroleerd en reproduceerbaar interactiekader. Deze methode is gebaseerd op de modulaire architectuur van het Greta 2.0-platform, dat controle biedt over de componenten die betrokken zijn bij het gedrag van agenten, waardoor onderzoekers specifieke modules eenvoudig aan of uit kunnen zetten. Deze ...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

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

De auteurs hebben niets te onthullen.

Dankbetuigingen

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

Dit werk werd gedeeltelijk gefinancierd door de ANR-DFG-JST Panorama, ANR-JST-CREST TAPAS (19-JSTS-0001-01), Enhancer (ANR-22-EXEN-0004) en PEPR-Ensemble PC3 (ANR-22-EXEN-0004) projecten. De evaluatie die in dit artikel wordt gepresenteerd, werd gefinancierd door de Université van Idex Sorbonne als onderdeel van de staatssteun voor de Investments for the Future-programma's. Dit werk werd ook ondersteund door een Franse overheidssubsidie beheerd door de Agence Nationale de la Recherche als onderdeel van het France 2030-programma, referentie ANR-22-EXEN-0004 (PEPR eNSEMBLE / MATCHING) en 22-PESN-0009 (PEPR AUTONOM-HEALTH).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
ComputerDellComputer met processor Intel Core i7-14700 en een Nvidia RTX5000
Microphone HeadsetEposEen headset met een microfoon
WebcamLogitechVoor extractie van gezichtsuitdrukkingen
Webcam2LogitechVoor video-opname

Referenties

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

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

Groot taalmodelreal time interactiedialoogbeheerderaanpassing van gezichtsuitdrukkingenreinforcement learningmultimodale interactiesociale rapport

Gerelateerde artikelen