Методическая статья

Виртуальный агент для мотивационного интервьюирования в реальном времени, интегрируя адаптивные модели невербального поведения и языковых моделей

DOI:

10.3791/69254

⸱

23 декабря 2025 г.

 ,  ,  ,  ,  ,  , 
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

В этой статье

Краткое содержание

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

Мы представляем платформу виртуального агента с открытым исходным кодом для проведения мотивационных интервью в реальном времени, сочетая передовые языковые и диффузионные модели для адаптации к поведению и профилю пользователей. Используя платформу Greta 2.0, она поддерживает различные темы, включая вмешательства, ориентированные на питание и спорт, и предлагает гибкий, проверенный инструмент для улучшения цифровых терапевтических взаимодействий.

Аннотация

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

Растущий спрос на терапевтическую поддержку всё больше превышает возможности доступных специалистов. Виртуальный агент, способный проводить мотивационное интервью (МИ), предлагает перспективное решение, помогающее пациентам достичь цели изменения поведения между сессиями с человеческими терапевтами. МИ по своей сути является кооперативной и адаптивной формой коммуникации. Поэтому разработка агента, способного адаптировать свои диалоговые стратегии к контексту, может значительно повысить эффективность терапии. Во время сессий с МИ человеческие терапевты корректируют как вербальное, так и невербальное поведение в зависимости от реакций пациентов, а также их профилей. В зависимости от уровня мотивации пациента терапевт будет корректировать свой подход соответственно. Таким образом, персонализация и адаптивность необходимы для разработки эффективных виртуальных агентов MI. В этой статье представлен виртуальный агент, способный проводить MI-сессии, динамически адаптируясь к пользователям в реальном времени — вербально и невербально. Используя передовые модели, эта система позволяет осуществлять взаимодействия с МИ. Виртуальный агент реализован на платформе Greta 2.0. Её невербальное поведение генерируется с помощью диффузионной модели под названием MODIFF, которая адаптируется к выражению лица пользователя и его готовности к изменениям. Эти мимики были изучены на корпусе MI и подтверждены с помощью специализированного исследования пользователей. Диалог генерируется с использованием современной модели большого языка (LLM), улучшенной менеджером диалогов, специально разработанным для MI, с подходом обучения с подкреплением и валидированным пользовательским тестированием. Кроме того, менеджер диалогов может адаптироваться к разным профилям пользователей. В результате платформа является открытым исходным кодом и способствует генерации мультимодальных диалогов MI в реальном времени, предоставляя новые инструменты для цифрово опосредованного терапевтического взаимодействия.

Введение

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

Мотивационное интервьюирование (МИ) — это совместный терапевтический подход, способствующий изменению поведения. Во время сессий с МИ специалисты помогают пациентам формулировать и развивать мотивацию кпеременам 1. Для этой цели они используют диалоговые стратегии, такие как размышления или вопросы, усиленные невербальными поступками, такими как улыбки или определённые позы головы и тела.

По мере роста частоты проблем с психическим здоровьем в последние годы возник разрыв между спросом на услуги психического здоровья и доступнымиресурсами 2. Это привело к увеличению ожидания пациентов до того, как они смогут получить доступ ктерапии 2,3. Одним из предложенных решений для облегчения этой проблемы является виртуальные агенты, способные воспроизводить инфаркт для пациентов, ожидающих приёма. Предоставляя немедленную поддержку и вмешательство, эти виртуальные агенты могут помочь снизить последствия периодов ожидания, особенно в терапевтических ситуациях, требующих несколькихсеансов 4. Несколько исследований продемонстрировали эффективность таких агентов иличат-ботов 5,6,7,8,9, чья цель не заключается в замене экспертов по MI; Они предназначены служить дополнительным инструментом в терапевтическом процессе. Например, они могут оказывать вмешательство при инфаркте между сессиями.

Хотя предыдущие агенты MI часто проявляли ограниченное адаптивное поведение, MI по своей сути является кооперативной и адаптивной формой коммуникации. Поэтому разработка агента, способного адаптировать свой диалог к контексту, может значительно повысить эффективность терапии10. Во время сессий MI терапевты корректируют как свои вербальные (разговорные стратегии), так и невербальное поведение в зависимости от реакций, мотивации или вовлечённости пациентана уровне 11,12, а также индивидуальныхпрофилей 13. В зависимости от уровня мотивации пациента терапевт будет корректировать свой подход соответственно. Таким образом, персонализация и адаптивность необходимы для разработки эффективных виртуальных агентов MI.

Платформа Greta 2.014 — это модульный фреймворк виртуальных агентов, поддерживающий взаимодействие в реальном времени. Недавно он был расширен для включения возможностей, позволяющих динамически адаптировать генеративные модели ИИ во время взаимодействия.

Платформа включает модель под названиемMODIFF-8 15, которая генерирует мимику в реальном времени, динамически адаптирующиеся к выражению лица пользователя. Эта модель на основе диффузии была обучена на мультимодальных данных, собранных в контексте МИ, а именно на корпусе AnnoMI, состоящем из видео консультационных сессий между парами терапевта и клиента, собранных на стриминговых платформах, таких как YouTube и Viméo, и аннотированных в диалоговых актах (классификации высказываний, обозначающих выполняемые действия, например, Вопрос, Приветствие...) и единицах действий (таксономия человеческого выражения лица). Эти данные определяют генерацию не только текущим выражением лица пользователя, но и специфическими диалоговыми действиями, выявленными во время взаимодействия, связанными с выбранными диалоговыми стратегиями. К ним относятся диалоговые акты пользователей, релевантные для MI, такие как разговор с изменением, а также собственные диалоговые акты агента, такие как рефлексия или предоставление информации. Интегрируя эти мультимодальные сигналы в реальном времени, система позволяет виртуальному агенту выражать социально и контекстно подходящие мимики. Согласовывая своё невербальное поведение (NVB) с контекстом взаимодействия, этот виртуальный агент создан для укрепления социального взаимопонимания и поддержки инициации внутренней мотивации на протяжении всего процесса интервью15.

Кроме того, платформа интегрирует систему диалогов, специально разработанную для MI, под названием DREAM16. DREAM состоит из менеджера диалогов, который выбирает следующий диалоговый акт агента на основе текущего состояния диалога и профиля пользователя. Действительно, наши анализы корпуса AnnoMI выявили три профиля пациентов с МИ: Открыты к изменениям (когда пациент мотивирован к изменениям и ищет поддержку), Восприимчивые (если пациент ещё не рассматривал изменения) и Резистентный (когда пациент не намерен менять)13. Перед взаимодействием с виртуальным агентом пользователям приписывается один из этих трёх профилей в соответствии с их ответами на анкету17 по шкале баланса решений (DBS). Эта система диалогов дополняется большой языковой моделью (LLM), которая генерирует вербальный выход агента, соответствующий диалоговому акту, выбранному менеджером диалогов. Этот компонент обеспечивает контекстуальную адаптацию диалога, отмечая улучшение по сравнению с более жёсткими, основанными на правилахподходами 6. Хотя недавние исследования изучали использование LLM для создания диалога с MI-согласованностью, они не учитывают пользовательскиепрофили 18,19. В отличие от этого, этот модуль динамически адаптируется к профилю пользователя, что улучшает отношения по сравнению с этими базовыми системами.

Интеграция этих моделей в платформу Greta 2.0 позволяет проводить динамические вмешательства по интеллекту. Модульная реализация позволяет самостоятельно оценивать влияние каждой модели. В этой статье мы представляем метод, используемый для проведения экспериментов, оценивающих вклад моделей MODIFF-8 и DREAM в диалог MI, передаваемый используемой платформой. Этот метод также может использоваться для проведения индивидуальных вмешательств по инфаркту между сессиями с практиками МИ. Для этого требуется компьютер с Windows с GPU на 16 ГБ и установка программного обеспечения с открытым исходным кодом. Используя этот метод, мы демонстрируем, что модели адаптации улучшают воспринимаемое качество агента по MI-доставке и улучшают установление взаимопонимания. Мы также наблюдаем улучшение мотивации пациентов менять своё поведение, когда агент использует адаптированное поведение на вербальном и невербальном уровнях, а также на уровне разговорных стратегий. Результаты, представленные в этой статье, демонстрируют положительный эффект адаптации вмешательства препарата при инфаркте под каждого пациента.

Для поддержки проектирования этой системы был проведён глубокий обзор литературы для изучения теоретических и практических основ питательного коучинга, включая мотивационное интервьюирование, модели изменения поведения и типологии пользователей. Этот обзор привёл к созданию качественной базы знаний, структурированной вокруг пересечения двух ключевых измерений: 1) готовность пользователей к изменениям по Транстеоретической модели19 , которая выделяет 5 этапов: пред-созерцание, созерцание, подготовка, действие и поддержание, и 2) их профили пищевогоповедения 20 на основе диеты и психологически связанных факторов. Были выделены три профиля: интуитивный едок (то есть прислушивается к сигналам голода и сытости, придерживается разнообразной и преимущественно растительной диеты, отдаёт приоритет высококачественной, часто органической еде), эмоциональный едок (то есть справляется со стрессом, одиночеством и радостью через частые перекусы сладостями или жирной пищей, часто испытывая чувство вины после этого) и ограничивающий едок (то есть одержимый контролем питания, Они считают калории, часто придерживаются диет с эффектом йо-йо и, возможно, имеют расстройства пищевого поведения).

Для каждой комбинации этапа и профиля были предложены контекстно-специфические стратегии диалога, включая индивидуальные цели SMART, мотивационные формулировки и конкретные поведенческие рекомендации. Цель заключалась в том, чтобы виртуальный агент мог динамически адаптировать свои вмешательства на основе как психологической готовности, так и личных тенденций. Такая основа обеспечивает более высокий уровень персонализации и эмпатии во взаимодействии, что крайне важно для поддержания вовлечённости пользователей и долгосрочных изменений в поведении.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

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

Метод получил этическое одобрение IRB от института INSEAD (Institut européen d'administration des affaires) с номерами приёма: INSEAD 2024-78 и INSEAD 2025-23. Все участники предоставили информированное согласие и получили компенсацию за время эксперимента.

1. Набор участников

  1. Звоните участникам через рассылки института. Никаких ограничений для участников, кроме знакомства с цифровыми интерфейсами и владения французским. Трое участников были исключены из-за снижения интернет-ресурсов, что значительно увеличило глобальную задержку реакции системы.

2. Требования к предварительной установке

  1. Используйте компьютер с Windows. Мы используем процессор Intel i7, 20 ядер, 28 потерь (50% использования), оперативную память 32 ГБ (20% использования), 32 ГБ видеокарты Nvidia RTX 5000 (20% использования).
  2. Установите Java SE Development Kit 8 (https://www.oracle.com/java/technologies/javase/javase8-archive-downloads.html). Установите Visual C++ Redistributable для Visual Studio 2013 (https://www.microsoft.com/en-us/download/details.aspx?id=40784).
  3. Запросите лицензию Cereproc (https://app.cereproc.com/). Установите OpenFace (https://github.com/TadasBaltrusaitis/OpenFace). Возьмите веб-камеру.

3. Установка Greta

  1. Скачайте версию программного обеспечения с https://github.com/isir/greta/releases. Компиляция с помощью NetBeans (подробные инструкции по адресу: https://github.com/isir/greta/wiki/Quick-start).

4. Конфигурация ключа MISTRAL API

  1. Получите ключ Mistral API от https://console.mistral.ai/api-keys.
  2. Создайте файл: greta\bin\Common\Data\LLM\MICounselorRL\api_key.txt. Вставьте ключ API в созданный файл.

5. Конфигурация ключа API DeepGram

  1. Получите ключ DeepGram API от https://console.deepgram.com/.
  2. Создайте файл: greta\bin\Common\Data\DeepASR\DeepGram\api_key.txt. Вставьте ключ API в созданный файл.

6. Импорт модели MODIFF

  1. Скачайте веса модели с https://drive.google.com/file/d/1n3udJf5pSNnFmxs_kt_zcFcF0m7zoLLr/view?usp=sharing и поместите файл в greta\bin\Common\Data\MODIFF.
  2. Скачайте и распаковайте модели dlib для распознавания лиц с https://dlib.net/files/mmod_human_face_detector.dat.bz2 и https://dlib.net/files/shape_predictor_5_face_landmarks.dat.bz2, затем поместите их в bin/common/data/turnManagement/dlib_models.
  3. Скачайте все VAP-модели в модель/VAP с https://drive.google.com/drive/folders/10_MTPkRyJCoFLDt4LO_M9kRgoreh6gEF?usp=sharing и поместите их в bin/Common/Data/TurnManagement/models/.

7. Запуск Greta 2.0

  1. Запуск Modular.jar. Нажмите File > Open > Greta > Advanced > 20250128 Greta - Expé Lucie_full.xml.
  2. Убедитесь, что конфигурация соответствует рисунку 1.

8. Запуск OpenFace

  1. Запустите OpenFace офлайн ZeroMQ.exe. Специальная версия OpenFace позволяет напрямую связаться с платформой Greta с использованием протокола ZeroMQ через порт 5000.
  2. Во вкладке «Запись» снять галочку с ZeroMQ всё, кроме «Broadcast». Это позволяет программе отправлять извлечённые сигналы (AU, взгляд, движения головы и т.д.) на платформу Greta.
  3. Во вкладке «Файл» нажмите « Открыть веб-камеру». Авторизуйте извлечение функций в реальном времени с помощью доступной веб-камеры.
  4. Выберите веб-камеру для использования и дождитесь, пока она загрузится (см. рисунок 2). После загрузки веб-камеры инструмент автоматически запускает извлечение функций в реальном времени и отправляет данные на платформу Greta.

9. Запуск MODIFF-8

  1. В OpenFace2 Output Stream Reader нажмите кнопку Connect и дождитесь, пока появится список доступных функций, отправленных от OpenFace (см. рисунок 3).
  2. Выберите All > Set, чтобы проверить набор функций, которые вы хотите, чтобы платформа постоянно получала от Openface.
  3. В разделе Modiff нажмите «Запустить » и дождитесь сообщения: Подключен к серверу на localhost 5560.
  4. Нажмите «Соединить». Этот этап активирует соединение между модулем генерации мимики Modiff и приёмником данных Greta OpenFace.
  5. В разделе Filter нажмите Perform, позволяя виртуальному агенту выполнить данные, сгенерированные модулем Modiff.
  6. В окне MODIFF нажмите Включить. Ждите 90 секунд, пока модель стабилизируется.

10. Запуск ASR

  1. В окне DeepGram нажмите Включить.

11. Запуск DREAM

  1. Выберите Condition RL , чтобы использовать DREAM, и Baseline для обычного LLM.
  2. В окне MI Counsellor RL нажмите Включить. Подождите 30 секунд, пока модель не запустится.

12. Подготовьте комнату

  1. Используйте большой монитор, чтобы поставить его на стол с стулом перед собой. Поставьте веб-камеру на монитор, обращённый к креслу. Поставьте направленный микрофон на стол перед креслом.

13. Приветствие участника

  1. Поприветствуйте участника в отдельной комнате (см. рисунок 4). Краткое изложение участнику в соответствии с речью, изложенной в Дополнительном файле 1.
  2. Попросите участника заполнить анкету DBS по 5-ступенчатой шкале Лайкерта (см. пункты в таблице 1).
  3. Попросите участника поговорить в микрофон. Убедитесь, что веб-камера запечатлевает голову и верхнюю часть тела участника

14. Определить профиль участника

  1. Если балл DBS отрицательный, классифицируйте участника как устойчивого к изменениям. Если балл DBS составляет от 0 до 2, классифицируйте участника как восприимчивого. В противном случае классифицируйте участника как Открытого к изменениям.

15. Задайте тему и профиль

  1. В окне MI Counsellor RL задайте тему для обсуждения по своему выбору. Задайте профиль так, как указано в шаге 14.

16. Начать диалог

  1. В окне MI Counsellor RL нажмите Start , чтобы агент начал обсуждение с участником. Нажатие этой кнопки заставляет диалог DREAM, а мультимодальные модели MODIFF автоматически управляют поведением агента.

17. Во время диалога

  1. Следите за абзацем ответа в окне MI Counsellor, чтобы убедиться, что результат LLM не вреден.
  2. В окне DeepGram нажмите «Слушать » после завершения хода агента.
  3. Если речь не будет признана, заполните абзац запроса в окне MI Counsellor RL речью участника и нажмите Отправить. Это автоматически создаёт ответ агента.
  4. Ждите ответа участника.
  5. Повторяйте 17.1–17.4 до окончания диалога. Диалог заканчивается сам собой.

18. После вмешательства

  1. Попросите участника заполнить постинтервенционные анкеты (см. пункты 1-9 в таблице 1). Проведите разбор участника, используя речь из Дополнительного файла 1.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

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

В представленном протоколе мы собрали транскрипты взаимодействия и отзывы пользователей с помощью анкет, адаптированных к поведениям, которые мы хотим измерить. Мы сравнивали результаты взаимодействия с нашими моделями или без них.

Использование протокола для оценки влияния генерации адаптивных экспрессий MODIFF-8
Модуль MODIFF-8 был разработан для повышения социальной отзывчивости виртуального агента, позволяя ему генерировать мимики, кото...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

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

В этой статье мы представляем протокол проведения индивидуальных интервенций мотивационного интервьюирования и тестирования индивидуальных модулей генерации поведения в рамках контролируемой и воспроизводимой системы взаимодействия. Этот метод основан на модульной архитектуре платформы Greta 2.0, которая позволяет управлять компонентами, участвующими в поведении агентов, позволяя исследователям легко включать или выключать конкретные модули. Эта гибкость делает Greta 2.0 отлично подходящ...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

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

Авторам нечего раскрывать.

Благодарности

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

Эта работа частично финансировалась проектами ANR-DFG-JST Panorama, ANR-JST-CREST TAPAS (19-JSTS-0001-01), Enhancer (ANR-22-EXEN-0004) и PEPR-Ensemble PC3 (ANR-22-EXEN-0004). Оценка, представленная в этой статье, была профинансирована Университетом Идекса Сорбонны в рамках государственной поддержки программ «Инвестиции на будущее». Эта работа также была поддержана грантом французского правительства, управляемым Национальным агентством исследований в рамках программы France 2030, ссылки ANR-22-EXEN-0004 (PEPR eNSEMBLE / MATCHING) и 22-PESN-0009 (PEPR AUTONOM-HEALTH).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
КомпьютерDellКомпьютер с процессором Intel Core i7-14700 и Nvidia RTX5000
Микрофонная гарнитураEposГарнитура с микрофоном
Веб-камераLogitechДля экстракции мимики
Webcam2LogitechДля видеозаписи

Ссылки

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

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

Похожие статьи