Artigo de método

Agente Virtual para Entrevistas Motivacionais em Tempo Real Integrando Comportamentos Não Verbais Adaptativos e Modelos de Linguagem

DOI:

10.3791/69254

⸱

23 de dezembro de 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

Neste artigo

Resumo

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

Apresentamos uma plataforma de agente virtual de código aberto para conduzir entrevistas motivacionais em tempo real, combinando linguagem de última geração e modelos de difusão para se adaptar ao comportamento e perfil dos usuários. Utilizando a plataforma Greta 2.0, ele apoia diversos temas, incluindo nutrição e intervenções focadas em esportes, e oferece uma ferramenta flexível e validada para aprimorar as interações terapêuticas digitais.

Resumo

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

A crescente demanda por suporte terapêutico ultrapassa cada vez mais a capacidade dos profissionais disponíveis. Um agente virtual capaz de realizar entrevistas motivacionais (MI) oferece uma solução promissora para ajudar os pacientes a alcançarem seu objetivo de mudança de comportamento entre as sessões com terapeutas humanos. A MI é, por natureza, uma forma cooperativa e adaptativa de comunicação. Portanto, desenvolver um agente capaz de adaptar suas estratégias de conversação ao contexto pode aumentar significativamente a eficácia da terapia. Durante as sessões de MI, os terapeutas humanos ajustam tanto seus comportamentos verbais quanto não verbais com base nas respostas dos pacientes humanos, bem como em seus perfis. Dependendo do nível de motivação do paciente, o terapeuta modificará sua abordagem de acordo. Assim, personalização e adaptabilidade são essenciais para desenvolver agentes virtuais de MI eficazes. Neste artigo, apresentamos um agente virtual capaz de conduzir sessões de MI adaptando-se verbalmente e não verbalmente aos usuários em tempo real. Aproveitando modelos de ponta, esse sistema possibilita interações com MI. O agente virtual é incorporado usando a plataforma Greta 2.0. Seu comportamento não verbal é gerado por meio de um modelo de difusão chamado MODIFF, que se adapta às expressões faciais do usuário e à sua prontidão para mudanças. Essas expressões faciais foram aprendidas em um corpus MI e validadas por meio de um estudo dedicado ao usuário. O diálogo é gerado usando um modelo de linguagem grande (LLM) de última geração, aprimorado por um gerenciador de diálogo projetado especificamente para MI, com abordagem de aprendizado por reforço, e validado por meio de testes de usuários. Além disso, o gerenciador de diálogo é capaz de se adaptar a diferentes perfis de usuário. A plataforma resultante é de código aberto e facilita a geração de diálogos de MI multimodais em tempo real, fornecendo novas ferramentas para interações terapêuticas mediadas digitalmente.

Introdução

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

A entrevista motivacional (IM) é uma abordagem terapêutica colaborativa que incentiva a mudança comportamental. Durante as sessões de MI, os profissionais ajudam os pacientes a articular e a desenvolver sua motivação paraa mudança 1. Para isso, eles utilizam estratégias de diálogo, como reflexões ou perguntas, reforçadas por comportamentos não verbais, como sorrisos ou posturas específicas de cabeça e corpo.

À medida que a frequência dos problemas de saúde mental aumentou nos últimos anos, surgiu uma lacuna entre a demanda por serviços de saúde mental e os recursos disponíveis2. Isso levou a tempos de espera mais longos para os pacientes antes de poderem acessar a terapia 2,3. Uma solução proposta para aliviar esse problema envolve agentes virtuais capazes de replicar o IM para pacientes aguardando consultas. Ao oferecer suporte e intervenção imediatos, esses agentes virtuais podem ajudar a reduzir o impacto dos períodos de espera, especialmente em contextos terapêuticos que exigem múltiplassessões 4. Diversos estudos demonstraram a eficácia desses agentes ou chatbots 5,6,7,8,9 cujo objetivo não é substituir especialistas em MI; Eles têm a intenção de servir como uma ferramenta complementar dentro do processo terapêutico. Por exemplo, eles poderiam fornecer intervenção em MI entre as sessões.

Embora agentes de MI anteriores frequentemente exibam comportamentos adaptativos limitados, a MI é inerentemente uma forma cooperativa e adaptativa de comunicação. Portanto, desenvolver um agente capaz de adaptar seu diálogo ao contexto pode aumentar significativamente a eficácia da terapia10. Durante as sessões de MI, os terapeutas ajustam tanto seus comportamentos verbais (estratégias conversacionais) quanto não verbais com base nas respostas, motivação ou engajamento do paciente, nível11,12, bem como em seus perfisindividuais 13. Dependendo do nível de motivação do paciente, o terapeuta modificará sua abordagem de acordo. Assim, personalização e adaptabilidade são essenciais para desenvolver agentes virtuais de MI eficazes.

A plataforma14 do Greta 2.0 é um framework modular de agentes virtuais que suporta interações em tempo real. Recentemente, foi ampliada para incorporar capacidades que permitem a adaptação dinâmica de modelos de IA generativa durante a interação.

A plataforma inclui um modelo chamadoMODIFF-8 15, que gera expressões faciais em tempo real que se adaptam dinamicamente às próprias expressões faciais do usuário. Esse modelo baseado em difusão foi treinado com dados multimodais coletados no contexto do MI, nomeadamente o corpus AnnoMI, constituído por vídeos de sessões de aconselhamento entre pares terapeuta e cliente, coletados em plataformas de streaming, como YouTube e Viméo, e anotados em atos de diálogo (uma classificação de enunciados que denota as ações realizadas, por exemplo, Pergunta, Saudação...) e unidades de ação (uma taxonomia da expressão facial humana). Esses dados condicionam a geração não apenas com base na expressão facial atual do usuário, mas também em atos de diálogo específicos do MI identificados durante a interação, ligados às estratégias de conversação adotadas. Esses incluem atos de diálogo de usuários relevantes para MI, como o discurso de mudança, bem como os próprios atos de diálogo do agente, como reflexão ou fornecimento de informações. Ao integrar esses sinais multimodais em tempo real, o sistema permite que o agente virtual expresse expressões faciais social e contextualmente apropriadas. Ao alinhar seu comportamento não verbal (NVB) ao contexto da interação, esse agente virtual é projetado para fomentar a conexão social e apoiar o início da motivação intrínseca durante todo o processode entrevista 15.

Além disso, a plataforma integra um sistema de diálogo especificamente projetado para MI, chamado DREAM16. O DREAM é composto por um gerenciador de diálogos que seleciona o próximo ato de diálogo do agente com base no estado atual do diálogo e no perfil do usuário. De fato, nossas análises do corpus AnnoMI revelaram três perfis de pacientes com IM: Aberto à Mudança (quando o paciente está motivado a mudar e busca apoio), Receptivo (quando o paciente ainda não considerou a mudança) e Resistente (quando o paciente não pretende mudar)13. Antes de interagir com o agente virtual, os usuários recebem um desses três perfis de acordo com suas respostas ao questionário17 da Escala de Equilíbrio de Decisão (DBS). Esse sistema de diálogo é complementado por um grande modelo de linguagem (LLM) que gera a saída verbal do agente, correspondente ao ato de diálogo selecionado pelo gerenciador de diálogo. Esse componente permite a adaptação contextual do diálogo, marcando uma melhoria em relação a abordagens mais rígidas e baseadasem regras 6. Embora estudos recentes tenham explorado o uso de LLMs para gerar diálogos consistentes com MI, eles não consideram os perfis dosusuários 18,19. Em contraste, este módulo se adapta dinamicamente ao perfil do usuário, o que melhora o relacionamento em comparação com esses sistemas básicos.

A integração desses modelos na plataforma Greta 2.0 possibilita intervenções dinâmicas de MI. Sua implementação modular permite a avaliação independente do impacto de cada modelo. Neste artigo, apresentamos o método utilizado para conduzir experimentos que avaliam as contribuições dos modelos MODIFF-8 e DREAM para o diálogo MI entregue pela plataforma utilizada. Esse método também pode ser usado para oferecer intervenções personalizadas de MI entre as sessões com profissionais de MI. Ele requer um computador Windows com GPU de 16 GB e a instalação de software de código aberto. Usando esse método, demonstramos que nossos modelos de adaptação melhoram a qualidade percebida do agente de entrega de MI e fortalecem a construção de relacionamento. Também observamos melhora na motivação dos pacientes para mudar seus comportamentos quando o agente utiliza comportamentos adaptados nos níveis verbal e não verbal, além de estratégias conversacionais. Os resultados apresentados neste artigo demonstram o impacto positivo de adaptar a intervenção de IM do agente para cada paciente.

Para apoiar o design desse sistema, foi realizada uma revisão aprofundada da literatura para explorar as bases teóricas e práticas do coaching nutricional, incluindo entrevista motivacional, modelos de mudança de comportamento e tipologias de usuários. Essa revisão levou ao desenvolvimento de uma base de conhecimento qualitativa estruturada em torno da interseção de duas dimensões-chave: 1) prontidão dos usuários para a mudança seguindo o ModeloTransteórico 19 , que identifica 5 estágios: pré-contemplação, contemplação, preparação, ação e manutenção, e 2) seus perfis de comportamentoalimentar 20 baseados na dieta e fatores psicologicamente relacionados. Três perfis foram identificados: o comedor intuitivo (ou seja, ouve seus sinais de fome e saciedade, mantém uma dieta variada e predominantemente à base de plantas, prioriza alimentos de alta qualidade, muitas vezes orgânicos), o comedor emocional (ou seja, lida com estresse, solidão e alegria por meio de petiscos frequentes de doces ou alimentos gordurosos, frequentemente sentindo-se culpado depois) e o comedor restritivo (ou seja, obcecado pelo controle alimentar, Eles contam calorias, seguem dietas frequentes com efeito ioiô e podem ter um transtorno alimentar).

Para cada combinação de estágio e perfil, foram propostas estratégias de diálogo específicas para o contexto, incluindo metas SMART personalizadas, formulações motivacionais e sugestões comportamentais concretas. O objetivo era permitir que o agente virtual adaptasse dinamicamente suas intervenções com base tanto na prontidão psicológica quanto nas tendências pessoais. Essa base garante um grau maior de personalização e empatia na interação, que são cruciais para manter o engajamento do usuário e a mudança comportamental a longo prazo.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Protocolo

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

O método recebeu aprovação ética do IRB do instituto INSEAD (Institut européen d'administration des affaires) com números de aceitação: INSEAD 2024-78 e INSEAD 2025-23. Todos os participantes deram consentimento informado e foram compensados pelo tempo de experimento.

1. Recrutamento de participantes

  1. Chame participantes usando as listas de discussão do instituto. Sem restrições aos participantes, exceto familiaridade com interfaces digitais e fluência em francês. Três participantes foram excluídos devido a quedas de recursos na internet, o que aumentou significativamente a latência global de resposta do sistema.

2. Requisitos de pré-instalação

  1. Use um computador com Windows. Usamos um processador Intel i7, 20 núcleos, 28 threads (50% de uso), RAM de 32GB (20% de uso), 32GB de GPU Nvidia RTX 5000 (20% de uso).
  2. Instale o Java SE Development Kit 8 (https://www.oracle.com/java/technologies/javase/javase8-archive-downloads.html). Instale o Visual C++ Redistributable para Visual Studio 2013 (https://www.microsoft.com/en-us/download/details.aspx?id=40784).
  3. Solicite uma licença Cereproc (https://app.cereproc.com/). Instale o OpenFace (https://github.com/TadasBaltrusaitis/OpenFace). Compre uma webcam.

3. Instalação da Greta

  1. Baixe a versão do software do https://github.com/isir/greta/releases. Compile usando NetBeans (instruções detalhadas em: https://github.com/isir/greta/wiki/Quick-start).

4. Configuração da chave API do Mistral

  1. Obtenha uma chave API Mistral com https://console.mistral.ai/api-keys.
  2. Crie o arquivo: greta\bin\Common\Data\LLM\MICounselorRL\api_key.txt. Cole a chave API no arquivo criado.

5. Configuração da chave da API do DeepGram

  1. Obtenha uma chave API do DeepGram com https://console.deepgram.com/.
  2. Crie o arquivo: greta\bin\Common\Data\DeepASR\DeepGram\api_key.txt. Cole a chave API no arquivo criado.

6. Importação de modelos MODIFF

  1. Baixe os pesos dos modelos da https://drive.google.com/file/d/1n3udJf5pSNnFmxs_kt_zcFcF0m7zoLLr/view?usp=sharing e coloque o arquivo em greta\bin\Common\Data\MODIFF.
  2. Baixe e descompacte modelos de detecção facial dlib do https://dlib.net/files/mmod_human_face_detector.dat.bz2 e https://dlib.net/files/shape_predictor_5_face_landmarks.dat.bz2, depois coloque-os em bin/Common/Data/TurnManagement/dlib_models.
  3. Baixe todos os modelos de VAP em modelo/VAP de https://drive.google.com/drive/folders/10_MTPkRyJCoFLDt4LO_M9kRgoreh6gEF?usp=sharing e coloque-os em bin/Common/Data/TurnManagement/models/.

7. Lançamento do Greta 2.0

  1. Lançar Modular.jar. Clique em Arquivo > Abrir > Greta > Avançado > 20250128 Greta - Expé Lucie_full.xml.
  2. Certifique-se de que a configuração corresponda à Figura 1.

8. Lançamento do OpenFace

  1. Inicie o OpenFace offline ZeroMQ.exe. Uma versão específica do OpenFace permite comunicação direta com a plataforma Greta usando o protocolo ZeroMQ através da porta 5000.
  2. Na aba Gravar, desmarque tudo, exceto Broadcast, com ZeroMQ. Ele permite que o software envie os sinais extraídos (AUs, Olhar, movimentos de cabeça ...) para a plataforma Greta.
  3. Na aba Arquivo, clique em Abrir Webcam. Autorize a extração de recursos ao vivo usando a webcam disponível.
  4. Selecione a webcam a ser usada e espere até que a webcam seja carregada (veja a Figura 2). Uma vez que a webcam seja carregada, a ferramenta iniciará automaticamente a extração de recursos ao vivo e enviará os dados para a plataforma Greta.

9. Lançamento do MODIFF-8

  1. No OpenFace2 Output Stream Reader, clique no botão Conectar e aguarde a lista de recursos disponíveis, enviada pelo OpenFace, ser preenchida (veja a Figura 3).
  2. Clique em Selecionar Todos > Conjunto para validar o conjunto de recursos que você quer que a plataforma receba continuamente do Openface.
  3. Em Modiff, clique em Iniciar e aguarde a mensagem: Conectado ao servidor no localhost 5560.
  4. Clique em Conectar. Essa etapa ativa a conexão entre o módulo de geração de expressões faciais Modiff e o receptor de dados Greta OpenFace.
  5. Em Filtrar, clique em Executar, permitindo que o agente virtual execute os dados gerados pelo Módulo de Modiff.
  6. Na janela do MODIFF, clique em Ativar. Espere 90 segundos para o modelo estabilizar.

10. Lançamento do ASR

  1. Na janela DeepGram, pressione Ativar.

11. Lançamento do DREAM

  1. Selecione a Condição RL para usar DREAM e Baseline para usar um LLM simples.
  2. Na janela de Conselheiro MI RL, clique em Ativar. Espere 30 segundos para o modelo começar.

12. Arrume o quarto

  1. Use um monitor grande para colocar em uma mesa com uma cadeira na frente. Coloque uma webcam em cima do monitor, voltado para a cadeira. Coloque um microfone direcional na mesa em frente à cadeira.

13. Receber o participante

  1. Receba o participante em uma sala privativa (veja a Figura 4). Informe o participante conforme o discurso no Arquivo Suplementar 1.
  2. Peça ao participante para preencher o questionário DBS em uma escala Likert de 5 etapas (veja itens na Tabela 1).
  3. Peça ao participante para falar no microfone. Certifique-se de que a webcam capture a cabeça e a parte superior do corpo do participante

14. Identificar o perfil do participante

  1. Se a pontuação DBS for negativa, classifique o participante como Resistente à Mudança. Se a pontuação DBS estiver entre 0 e 2, classifique o participante como Receptivo. Caso contrário, classifique o participante como Aberto à Mudança.

15. Defina o tema e o perfil

  1. Na janela de RL do MI Counsellor, defina o tema a ser discutido conforme o participante escolhesse. Defina o perfil como identificado no passo 14.

16. Comece o diálogo

  1. Na janela do MI Counsellor RL, clique em Iniciar para que o agente inicie a conversa com o participante. Clicar neste botão faz com que o diálogo seja SONHO, e os comportamentos multimodais dos modelos MODIFF automaticamente conduzem os comportamentos do agente.

17. Durante o diálogo

  1. Monitore o parágrafo de resposta da janela do Conselheiro MI para garantir que a saída do LLM não seja prejudicial.
  2. Na janela do DeepGram, clique em Ouvir após o turno do agente terminar.
  3. Se o discurso não for reconhecido, preencha o parágrafo de Solicitação da janela do Conselheiro MI RL com o discurso do participante e clique em Enviar. Isso cria automaticamente a resposta do agente.
  4. Espere pela resposta do participante.
  5. Repita 17.1 a 17.4 até o diálogo terminar. O diálogo para sozinho.

18. Pós-intervenção

  1. Peça ao participante que preencha os questionários pós-intervenção (veja os itens 1-9 na Tabela 1). Informe o participante usando o discurso no Arquivo Suplementar 1.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Resultados

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

No protocolo apresentado, coletamos transcrições de interação e feedback dos usuários usando questionários adaptados aos comportamentos que queremos medir. Comparamos os resultados da interação com ou sem nossos modelos.

Uso do protocolo para avaliar o impacto da geração de expressões adaptativas do MODIFF-8
O módulo MODIFF-8 foi projetado para aprimorar a resposta social do agente virtual, permitindo que ele gerasse expressões faciais que ...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Discussão

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

Neste artigo, apresentamos um protocolo para oferecer intervenções personalizadas de Entrevista Motivacional e para testar módulos individuais de geração de comportamento dentro de um quadro de interação controlada e reprodutível. Esse método é construído sobre a arquitetura modular da plataforma Greta 2.0, que oferece controle sobre os componentes envolvidos no comportamento dos agentes, permitindo que pesquisadores ativem ou desativem facilmente módulos específicos. Essa flexibilidade ...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

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

Os autores não têm nada a revelar.

Agradecimentos

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

Este trabalho foi parcialmente financiado pelos projetos 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). A avaliação apresentada neste artigo foi financiada pela Idex Sorbonne Université como parte do apoio estatal aos programas Investimentos para o Futuro. Esse trabalho também foi apoiado por uma bolsa do governo francês gerenciada pela Agence Nationale de la Recherche como parte do programa France 2030, referência ANR-22-EXEN-0004 (PEPR eNSEMBLE / MATCHING) e 22-PESN-0009 (PEPR AUTONOM-HEALTH).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
ComputadorDellComputador com processador Intel Core i7-14700 e um Nvidia RTX5000
Headset de MicrofoneEposUm Headset com Microfone
WebcamLogitechPara extração de expressões faciais
Webcam2LogitechPara gravação de vídeo

Referências

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

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Solicitar permissão para reutilizar o texto ou as figuras deste artigo JoVE

Solicitar permissão

Etiquetas

Modelo de Linguagem de Grande EscalaIntera o em Tempo RealGerenciador de Di logoAdapta o de Express o FacialAprendizado por Refor oIntera o MultimodalRapport Social

Artigos relacionados