Artykuł metodologiczny

Wirtualny agent do motywacyjnego wywiadu w czasie rzeczywistym poprzez integrację adaptacyjnych modeli zachowań niewerbalnych i językowych

DOI:

10.3791/69254

⸱

23 grudnia 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

W tym artykule

Podsumowanie

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

Prezentujemy otwartoźródłową platformę wirtualnych agentów do przeprowadzania wywiadów motywacyjnych w czasie rzeczywistym, łączącą najnowocześniejszy język i modele dyfuzji, aby dostosować się do zachowań i profilu użytkowników. Wykorzystując platformę Greta 2.0, wspiera różne tematy, w tym interwencje związane z żywieniem i sportem, oferując elastyczne, zweryfikowane narzędzie do ulepszania cyfrowych interakcji terapeutycznych.

Streszczenie

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

Rosnące zapotrzebowanie na wsparcie terapeutyczne coraz bardziej przewyższa możliwości dostępnych specjalistów. Wirtualny agent zdolny do przeprowadzania wywiadów motywacyjnych (MI) oferuje obiecujące rozwiązanie, które pomaga pacjentom osiągnąć cel zmiany zachowania między sesjami u terapeutów ludzkich. MI jest z natury kooperacyjną i adaptacyjną formą komunikacji. Dlatego opracowanie agenta zdolnego do dostosowywania strategii konwersacyjnych do kontekstu może znacząco zwiększyć skuteczność terapii. Podczas sesji MI terapeuci dostosowują zarówno swoje zachowania werbalne, jak i niewerbalne na podstawie reakcji pacjentów oraz ich profilu. W zależności od poziomu motywacji pacjenta, terapeuta odpowiednio dostosuje swoje podejście. Dlatego personalizacja i elastyczność są niezbędne do rozwijania skutecznych wirtualnych agentów MI. W niniejszym artykule przedstawiamy wirtualnego agenta zdolnego do prowadzenia sesji MI poprzez dynamiczną adaptację werbalną i niewerbalną do użytkowników w czasie rzeczywistym. Wykorzystując nowoczesne modele, system ten umożliwia interakcje MI. Wirtualny agent jest ucieleśniany na platformie Greta 2.0. Jego niewerbalne zachowanie generowane jest za pomocą modelu dyfuzji o nazwie MODIFF, który dostosowuje się do mimiki użytkownika i jego gotowości do zmiany. Te mimiki zostały wyuczone na podstawie korpusu MI i zweryfikowane poprzez dedykowane badanie użytkownika. Dialogi są generowane za pomocą nowoczesnego dużego modelu językowego (LLM), wzbogaconego o menedżer dialogów specjalnie zaprojektowanego dla MI, z podejściem uczenia ze wzmocnieniem i weryfikowane poprzez testy użytkownika. Ponadto menedżer dialogów potrafi dostosować się do różnych profili użytkowników. Powstała platforma jest otwartoźródłowa i umożliwia generowanie wielomodalnych dialogów o mikroaktywności w czasie rzeczywistym, dostarczając nowe narzędzia do cyfrowo pośredniczonych interakcji terapeutycznych.

Wprowadzenie

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

Wywiad motywacyjny (MI) to współpracujące podejście terapeutyczne, które zachęca do zmiany zachowania. Podczas sesji MI praktycy MI pomagają pacjentom wyrazić i wzmacniać ich motywację do zmiany1. W tym celu stosują strategie dialogowe, takie jak refleksje czy pytania, wzmacniane przez zachowania niewerbalne, takie jak uśmiech czy określone postawy głowy i ciała.

Wraz ze wzrostem częstotliwości problemów ze zdrowiem psychicznym w ostatnich latach, pojawiła się luka między zapotrzebowaniem na usługi zdrowia psychicznego a dostępnymi zasobami2. To spowodowało dłuższe oczekiwania pacjentów, zanim będą mogli skorzystać z terapii 2,3. Jednym z proponowanych rozwiązań łagodzących ten problem są wirtualni agenci zdolni do replikowania MI dla pacjentów oczekujących na wizyty. Oferując natychmiastowe wsparcie i interwencję, ci wirtualni agenci mogą pomóc zmniejszyć wpływ okresów oczekiwania, zwłaszcza w sytuacjach terapeutycznych wymagających wielu sesji4. Kilka badań wykazało skuteczność takich środków lub chatbotów 5,6,7,8,9, których celem nie jest zastąpienie ekspertów MI; Mają one służyć jako narzędzie uzupełniające w procesie terapeutycznym. Na przykład mogą zapewnić interwencję MI między sesjami.

Chociaż wcześniejsi agenci MI często wykazywali ograniczone zachowania adaptacyjne, MI jest z natury kooperatywną i adaptacyjną formą komunikacji. Dlatego opracowanie środka zdolnego do dostosowania dialogu do kontekstu może znacząco zwiększyć skuteczność terapii10. Podczas sesji MI terapeuci dostosowują zarówno swoje werbalne (konwersacyjne) strategie, jak i niewerbalne zachowania na podstawie odpowiedzi, motywacji lub poziomu zaangażowania pacjenta11,12, a także indywidualnych profili13. W zależności od poziomu motywacji pacjenta, terapeuta odpowiednio dostosuje swoje podejście. Dlatego personalizacja i elastyczność są niezbędne do rozwijania skutecznych wirtualnych agentów MI.

Platforma Greta 2.014 to modułowy framework dla wirtualnych agentów, który obsługuje interakcje w czasie rzeczywistym. Ostatnio został rozszerzony o możliwości umożliwiające dynamiczną adaptację generatywnych modeli AI podczas interakcji.

Platforma zawiera model o nazwie MODIFF-815, który generuje mimikę w czasie rzeczywistym, dynamicznie dostosowującą się do własnych wyrazów twarzy użytkownika. Model oparty na dyfuzji był trenowany na danych multimodalnych zebranych w kontekście MI, mianowicie na korpusie AnnoMI, składającym się z nagrań sesji doradczych między parami terapeuta i klient, zebranych na platformach streamingowych takich jak YouTube i Viméo, oraz opatrzonych adnotacjami w aktach dialogowych (klasyfikacja wypowiedzi oznaczających wykonywane czynności, np. Pytanie, Powitanie...) oraz jednostkach akcji (taksonomia ludzkiej mimiki). Dane te warunkują generowanie nie tylko aktualną mimiką użytkownika, ale także specyficznymi dla MI aktami dialogowymi zidentyfikowanymi podczas interakcji, powiązanymi z przyjętymi strategiami konwersacyjnymi. Należą do nich akty dialogowe użytkowników związanych z MI, takie jak change talk, a także własne akty dialogowe agenta, takie jak refleksja czy przekazywanie informacji. Integrując te sygnały multimodalne w czasie rzeczywistym, system pozwala wirtualnemu agentowi wyrażać społecznie i kontekstowo odpowiednie mimiki twarzy. Dostosowując swoje niewerbalne zachowania (NVB) do kontekstu interakcji, ten wirtualny agent został zaprojektowany tak, by budować relacje społeczne i wspierać inicjację wewnętrznej motywacji przez cały proces rozmowykwalifikacyjnej 15.

Dodatkowo platforma integruje system dialogowy specjalnie zaprojektowany dla MI, nazwany DREAM16. DREAM składa się z menedżera dialogów, który wybiera następny akt dialogowy agenta na podstawie aktualnego stanu dialogu i profilu użytkownika. Rzeczywiście, nasze analizy korpusu AnnoMI ujawniły trzy profile pacjentów z infarktem infarktowym: Otwarty na zmiany (gdy pacjent jest zmotywowany do zmiany i szuka wsparcia), Receptywny (gdy pacjent jeszcze nie rozważał zmiany) oraz Oporny (gdy pacjent nie zamierza się zmieniać)13. Przed interakcją z wirtualnym agentem użytkownicy są przypisywani do jednego z tych trzech profili zgodnie z odpowiedziami na kwestionariusz Decision Balance Scale (DBS)nr 17. System dialogowy uzupełnia duży model językowy (LLM), który generuje werbalne wyniki agenta, odpowiadające aktowi dialogowemu wybranemu przez menedżera dialogów. Ten komponent umożliwia kontekstową adaptację dialogu, co stanowi poprawę w porównaniu do bardziej sztywnych, opartych na regułach podejść6. Chociaż ostatnie badania analizowały wykorzystanie LLM do generowania dialogów spójnych z MI, nie uwzględniają one profili użytkowników18,19. W przeciwieństwie do tego, moduł ten dynamicznie dostosowuje się do profilu użytkownika, co poprawia relację w porównaniu z tymi systemami bazowymi.

Integracja tych modeli z platformą Greta 2.0 umożliwia dynamiczne interwencje MI. Jego modułowa implementacja pozwala na niezależną ocenę wpływu każdego modelu. W niniejszym artykule przedstawiamy metodę stosowaną do przeprowadzania eksperymentów oceniających wkład modeli MODIFF-8 i DREAM do dialogu MI realizowanego przez używaną platformę. Metoda ta może być również stosowana do realizacji dostosowanych interwencji MI pomiędzy sesjami z praktykami MI. Wymaga komputera z systemem Windows z kartą graficzną 16 GB oraz instalacji oprogramowania open-source. Stosując tę metodę, pokazujemy, że nasze modele adaptacyjne poprawiają postrzeganą jakość dostawcy MI i wzmacniają budowanie relacji. Obserwujemy również poprawę motywacji pacjentów do zmiany zachowań, gdy agent stosuje zachowania dostosowane na poziomie werbalnym i niewerbalnym oraz strategii konwersacyjnej. Wyniki przedstawione w tym artykule pokazują pozytywny wpływ dostosowania interwencji MI u każdego pacjenta.

Aby wesprzeć projekt tego systemu, przeprowadzono dogłębny przegląd literatury, który zbadał teoretyczne i praktyczne podstawy coachingu żywieniowego, w tym wywiady motywacyjne, modele zmiany zachowania oraz typologie użytkowników. Ten przegląd doprowadził do opracowania jakościowej bazy wiedzy opartej na przecięciu dwóch kluczowych wymiarów: 1) gotowości użytkowników do zmiany zgodnie z Modelem Transteoretycznym19 , który identyfikuje 5 etapów: przedkontemplację, kontemplację, przygotowanie, działanie i utrzymanie oraz 2) profile zachowań żywieniowych20 Na podstawie diety i czynników psychologicznych. Zidentyfikowano trzy profile: intuicyjnego jedzącego (czyli słuchającego sygnałów głodu i sytości, utrzymującego zróżnicowaną i głównie roślinną dietę, stawiającego na wysokiej jakości, często ekologiczne produkty), jedzącego emocjonalnie (czyli radzącego sobie ze stresem, samotnością i radością poprzez częste podjadanie słodyczy lub tłustych potraw, często czując potem poczucie winy) oraz restrykcyjnego jedzącego (czyli obsesyjnie nastawionego na kontrolę jedzenia, liczą kalorie, regularnie stosują diety z efektem jojo i mogą mieć zaburzenia odżywiania).

Dla każdej kombinacji etapu i profilu zaproponowano strategie dialogu dostosowane do kontekstu, w tym dopasowane cele SMART, formuły motywacyjne oraz konkretne sugestie behawioralne. Celem było umożliwienie wirtualnemu agentowi dynamicznego dostosowywania interwencji zarówno w oparciu o gotowość psychologiczną, jak i osobiste tendencje. To przygotowanie zapewnia wyższy poziom personalizacji i empatii w interakcji, co jest kluczowe dla utrzymania zaangażowania użytkowników i długoterminowej zmiany zachowań.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

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

Metoda uzyskała etyczną zgodę IRB od instytutu INSEAD (Institut européen d'administration des affaires) z numerami akceptacji: INSEAD 2024-78 oraz INSEAD 2025-23. Wszyscy uczestnicy wyrazili świadomą zgodę i otrzymali wynagrodzenie za czas spędzony w eksperymencie.

1. Rekrutacja uczestników

  1. Wezwanie uczestników do korzystania z list mailingowych instytutu. Nie ma żadnych ograniczeń dla uczestników, poza znajomością interfejsów cyfrowych i biegłością w języku francuskim. Trzech uczestników zostało wykluczonych z powodu spadków zasobów internetowych, które znacząco zwiększyły globalne opóźnienia odpowiedzi systemu.

2. Wymagania przedinstalacyjne

  1. Użyj komputera z Windows. Używamy procesora Intel I7, 20 rdzeni, 28 wątków (50% użycia), RAM 32GB (20% użycia), 32GB Nvidia RTX 5000 GPU (20% użycia).
  2. Zainstaluj Java SE Development Kit 8 (https://www.oracle.com/java/technologies/javase/javase8-archive-downloads.html). Install Visual C++ Redistributable for Visual Studio 2013 (https://www.microsoft.com/en-us/download/details.aspx?id=40784).
  3. Wniosek o licencję Cereproc (https://app.cereproc.com/). Zainstaluj OpenFace (https://github.com/TadasBaltrusaitis/OpenFace). Kup kamerkę internetową.

3. Instalacja Greta

  1. Pobierz wersję oprogramowania z https://github.com/isir/greta/releases. Kompilacja za pomocą NetBeans (szczegółowe instrukcje na: https://github.com/isir/greta/wiki/Quick-start).

4. Konfiguracja klucza API Mistral

  1. Uzyskaj klucz API Mistral od https://console.mistral.ai/api-keys.
  2. Utwórz plik: greta\bin\Common\Data\LLM\MICounselorRL\api_key.txt. Wklej klucz API do utworzonego pliku.

5. Konfiguracja klucza API DeepGram

  1. Pobierz klucz API DeepGram od https://console.deepgram.com/.
  2. Utwórz plik: greta\bin\Common\Data\DeepASR\DeepGram\api_key.txt. Wklej klucz API do utworzonego pliku.

6. Import modeli MODIFF

  1. Pobierz wagi modeli z https://drive.google.com/file/d/1n3udJf5pSNnFmxs_kt_zcFcF0m7zoLLr/view?usp=sharing i umieść plik w greta\bin\Common\Data\MODIFF.
  2. Pobierz i odkompresuj modele detekcji twarzy dlib z https://dlib.net/files/mmod_human_face_detector.dat.bz2 i https://dlib.net/files/shape_predictor_5_face_landmarks.dat.bz2, a następnie umieść je w bin/Common/Data/TurnManagement/dlib_models.
  3. Pobierz wszystkie modele VAP w model/VAP z https://drive.google.com/drive/folders/10_MTPkRyJCoFLDt4LO_M9kRgoreh6gEF?usp=sharing i umieść je w bin/Common/Data/TurnManagement/models/.

7. Uruchomienie Grety 2.0

  1. Startuj Modular.jar. Kliknij Plik > Otwórz > Greta > Advanced > 20250128 Greta - Expé Lucie_full.xml.
  2. Upewnij się, że konfiguracja odpowiada Rysunkowi 1.

8. Uruchamianie OpenFace

  1. Rozpocznij OpenFace Offline ZeroMQ.exe. Specyficzna wersja OpenFace umożliwia bezpośrednią komunikację z platformą Greta za pomocą protokołu ZeroMQ przez port 5000.
  2. W zakładce Nagrywaj odznacz wszystko oprócz Broadcast z ZeroMQ. Pozwala to oprogramowaniu przesyłać wyodrębnione sygnały (AU, spojrzenie, ruchy głowy ...) na platformę Greta.
  3. W zakładce Plik kliknij Otwórz kamerę internetową. Autoryzuj ekstrakcję funkcji na żywo za pomocą dostępnej kamery internetowej.
  4. Wybierz kamerę internetową do użycia i poczekaj, aż kamera się załaduje (patrz Rysunek 2). Po załadowaniu kamery automatycznie rozpocznie aktywne wyodrębnianie funkcji i prześle dane na platformę Greta.

9. Start w modiff-8

  1. W OpenFace2 Output Stream Reader kliknij przycisk Connect i poczekaj na listę dostępnych funkcji wysłanych z OpenFace (patrz Rysunek 3).
  2. Kliknij Wybierz wszystkie > Set, aby zweryfikować zestaw funkcji, które chcesz, aby platforma otrzymywała od Openface na stałe.
  3. W Modiff kliknij Launch i czekaj na komunikat: Połączone z serwerem na localhost 5560.
  4. Kliknij Połącz. Ten krok aktywuje połączenie między modułem generowania mimiki twarzy Modiff a odbiornikiem danych Greta OpenFace.
  5. W sekcji Filtr kliknij Wykonaj, co pozwala wirtualnemu agentowi wykonać dane generowane przez moduł Modiff.
  6. W oknie MODIFF kliknij Włącz. Czekam 90 sekund, aż model się ustabilizuje.

10. Uruchomienie ASR

  1. W oknie DeepGram naciśnij Enable.

11. Uruchomienie DREAM

  1. Wybierz warunek RL , aby użyć DREAM, a Baseline do zwykłego LLM.
  2. W oknie MI Counsellor RL kliknij Enable. Czekam 30 sekund, aż model się uruchomi.

12. Przygotuj pokój

  1. Użyj dużego monitora, aby postawić go na stole z krzesłem przed sobą. Zamontuj kamerę internetową na monitorze skierowanym w stronę krzesła. Połóż mikrofon kierunkowy na stole przed krzesłem.

13. Powitanie uczestnika

  1. Witamy uczestnika w prywatnym pokoju (patrz Rysunek 4). Przedstawij uczestnikowi informacje zgodnie z przemówieniem w Pliku Uzupełniającym 1.
  2. Uczestnik wypełnia kwestionariusz DBS w 5-stopniowej skali Likerta (patrz pozycje w Tabeli 1).
  3. Poproś uczestnika, by mówił do mikrofonu. Upewnij się, że kamera rejestruje głowę i górną część ciała uczestnika

14. Zidentyfikuj profil uczestnika

  1. Jeśli wynik DBS jest ujemny, klasyfikuj uczestnika jako Odpornego na Zmiany. Jeśli wynik DBS wynosi od 0 do 2, klasyfikuj uczestnika jako Receptywnego. W przeciwnym razie klasyfikuj uczestnika jako Otwartego na Zmiany.

15. Ustaw motyw i profil

  1. W oknie RL Doradcy MI ustaw temat do omówienia według wyboru uczestnika. Ustaw profil zgodnie z krokiem 14.

16. Rozpocznij dialog

  1. W oknie MI Counsellor RL kliknij Start, aby agent zainicjował rozmowę z uczestnikiem. Kliknięcie tego przycisku sprawia, że dialog ŚNI, a multimodalne zachowania modele MODIFF automatycznie sterują zachowaniami agenta.

17. Podczas dialogu

  1. Monitoruj akapit Odpowiedzi w oknie doradcy MI, aby upewnić się, że wyjście LLM nie jest szkodliwe.
  2. W oknie DeepGram kliknij Słuchaj po zakończeniu tury agenta.
  3. Jeśli przemówienie nie zostanie rozpoznane, wypełnij akapitat Wniosek w oknie RL doradcy MI przemówieniem uczestnika i kliknij Wyślij. To automatycznie generuje odpowiedź agenta.
  4. Poczekaj na odpowiedź uczestnika.
  5. Powtarzaj 17.1 do 17.4, aż dialog się skończy. Dialogi urywają się same.

18. Po interwencji

  1. Poproś uczestnika o wypełnienie kwestionariuszy po interwencji (patrz punkty 1-9 w Tabeli 1). Przeprowadz podsumowanie uczestnika za pomocą przemówienia w Pliku Uzupełniającym 1.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

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

W przedstawionym protokole zebraliśmy transkrypcje interakcji i opinie użytkowników, korzystając z kwestionariuszy dostosowanych do chcienych zachowań, które chcemy mierzyć. Porównaliśmy wyniki interakcji z naszymi modelami lub bez nich.

Wykorzystanie protokołu do oceny wpływu generowania adaptacyjnych wyrażeń MODIFF-8
Moduł MODIFF-8 został zaprojektowany, aby zwiększyć społeczną responsywność wirtualnego agenta, umożliwiając generowanie mimiki zarówno odpowiedniej kontek...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

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

W niniejszym artykule przedstawiamy protokół realizowania dostosowanych interwencji w zakresie motywacyjnego wywiadów oraz testowania indywidualnych modułów generowania zachowań w ramach kontrolowanej i powtarzalnej interakcji. Metoda ta opiera się na modułowej architekturze platformy Greta 2.0, która umożliwia kontrolę nad komponentami zaangażowanymi w zachowanie agenta, pozwalając badaczom łatwo włączać lub wyłączać konkretne moduły. Ta elastyczność sprawia, że Greta 2.0 jest dobrze przystosowana zarówno do eksperyment...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

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

Autorzy nie mają nic do ujawnienia.

Podziękowania

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

Prace te były częściowo finansowane przez projekty ANR-DFG-JST Panorama, ANR-JST-CREST TAPAS (19-JSTS-0001-01), Enhancer (ANR-22-EXEN-0004) oraz PEPR-Ensemble PC3 (ANR-22-EXEN-0004). Ocena przedstawiona w tym artykule została sfinansowana przez Idex Sorbonne Université w ramach wsparcia państwa dla programów Inwestycje na Przyszłość. Prace te były również wspierane przez grant rządu francuskiego zarządzany przez Agence Nationale de la Recherche w ramach programu France 2030, z referencjami ANR-22-EXEN-0004 (PEPR eNSEMBLE / MATCHING) oraz 22-PESN-0009 (PEPR AUTONOM-HEALTH).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
KomputerDellKomputer z procesorem Intel Core i7-14700 i Nvidia RTX5000
Słuchawki z mikrofonemEposSłuchawki z mikrofonem
Kamera internetowaLogitechDo ekstrakcji mimiki twarzy
Kamera internetowa2LogitechDo nagrywania wideo

Bibliografia

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

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Du y model j zykowyinterakcja w czasie rzeczywistymmened er dialoguadaptacja wyrazu twarzyuczenie przez wzmacnianieinterakcja multimodalnarelacje spo eczne

Powiązane artykuły