Yöntem makalesi

Adaptif Sözel Olmayan Davranış ve Dil Modellerini Entegre Ederek Gerçek Zamanlı Motivasyonel Mülakat İçin Sanal Ajan

DOI:

10.3791/69254

⸱

23 Aralık 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

Bu makalede

Özet

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

Gerçek zamanlı motivasyon röportajları yapmak için açık kaynaklı sanal ajan platformu sunuyoruz; kullanıcıların davranışlarına ve profiline uyum sağlamak için en son teknoloji dil ve difüzyon modelleri birleştiriyoruz. Greta 2.0 platformunu kullanarak, beslenme ve spor odaklı müdahaleler dahil olmak üzere çeşitli konuları destekler ve dijital terapötik etkileşimleri geliştirmek için esnek, doğrulanmış bir araç sunar.

Özet

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

Terapötik destek talebi giderek mevcut profesyonellerin kapasitesini aşmaktadır. Motivasyonel mülakata (MI) yapabilen sanal bir ajan, hastaların insan terapistlerle seanslar arasında davranış değişikliği hedeflerine ulaşmalarına yardımcı olacak umut vaat eden bir çözüm sunar. MI, doğası gereği işbirlikçi ve uyarlanabilir bir iletişim biçimidir. Bu nedenle, konuşma stratejilerini bağlama uyarlayabilen bir ajan geliştirmek, terapinin etkinliğini önemli ölçüde artırabilir. MI seansları sırasında, insan terapistler hem sözlü hem de sözsüz davranışlarını insan hastaların yanıtlarına ve profillerine göre ayarlar. Hastanın motivasyon seviyesine bağlı olarak, terapist yaklaşımını buna göre değiştirir. Bu nedenle, kişiselleştirme ve uyum sağlama yeteneği etkili MI sanal ajanları geliştirmek için gereklidir. Bu makalede, MI oturumlarını gerçekleştirebilen sanal bir ajan sunuyoruz; bu süreçte gerçek zamanlı olarak kullanıcılara sözlü ve sözsüz olarak dinamik olarak uyum sağlayabilir. Son teknoloji modelleri kullanarak, bu sistem MI etkileşimlerini mümkün kılar. Sanal ajan, Greta 2.0 platformu kullanılarak sunulmuştur. Sözsüz davranışı, MODIFF adı verilen bir difüzyon modeli aracılığıyla oluşturulur; bu model, kullanıcının yüz ifadelerine ve değişmeye hazırlığına uyum sağlar. Bu yüz ifadeleri bir MI korpusunda öğrenilmiş ve özel bir kullanıcı çalışmasıyla doğrulanmıştır. Diyalog, MI için özel olarak tasarlanmış bir diyalog yöneticisiyle geliştirilen, güçlendirici öğrenme yaklaşımıyla geliştirilmiş ve kullanıcı testleriyle doğrulanan son teknoloji büyük dil modeli (LLM) kullanılarak oluşturulur. Ayrıca, diyalog yöneticisi farklı kullanıcı profillerine uyum sağlayabilir. Ortaya çıkan platform açık kaynaklıdır ve gerçek zamanlı, çok modlu MI diyaloglarının oluşturulmasını kolaylaştırır; dijital aracılı terapötik etkileşimler için yeni araçlar sunar.

Giriş

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

Motivasyonel mülakat (MI), davranışsal değişikliği teşvik eden işbirlikçi bir terapötik yaklaşımdır. MI seansları sırasında, MI uygulayıcıları hastaların değişim motivasyonlarını ifade etmelerine ve güçlendirmelerineyardımcı olur 1. Bu amaçla, yansımalar veya sorular gibi diyalog stratejileri kullanırlar; bu stratejiler gülümseme veya belirli baş ve vücut duruşları gibi sözsüz davranışlarla güçlendirilir.

Son yıllarda ruh sağlığı sorunlarının sıklığı arttıkça, ruh sağlığı hizmetlerine olan talep ile mevcut kaynaklar arasında bir uçurumoluştu 2. Bu durum, hastaların terapiye erişmeden önce daha uzun beklemesürelerine yol açmıştır 2,3. Bu sorunu hafifletmek için önerilen çözümlerden biri, randevu bekleyen hastalar için MI'yi kopyalayabilen sanal ajanlar. Anında destek ve müdahale sunarak, bu sanal ajanlar, özellikle birden fazla seans gerektiren terapötik bağlamlarda bekleme sürelerinin etkisini azaltmaya yardımcıolabilir 4. Birçok çalışma, amacı MI uzmanlarını yerine koymak olmayan bu tür ajanların veya chatbotların etkinliğini göstermiştir 5,6,7,8,9; Terapötik süreçte tamamlayıcı bir araç olarak hizmet etmek üzere tasarlanmıştır. Örneğin, seanslar arasında MI müdahalesi sağlayabilirler.

Önceki MI ajanları genellikle sınırlı uyarlanabilir davranışlar sergilese de, MI doğası gereği işbirlikçi ve uyarlanabilir bir iletişim biçimidir. Bu nedenle, diyalogunu bağlama uyarlayabilen bir ajan geliştirmek, terapinin etkinliğini önemli ölçüde artırabilir10. MI seansları sırasında, terapistler hem sözlü (konuşma stratejileri) hem de sözsüz davranışlarını hastanın yanıtlarına, motivasyonuna veya etkileşimseviyelerine 11,12 ve bireyselprofillerine göre ayarlar 13. Hastanın motivasyon seviyesine bağlı olarak, terapist yaklaşımını buna göre değiştirir. Bu nedenle, kişiselleştirme ve uyum sağlama yeteneği etkili MI sanal ajanları geliştirmek için gereklidir.

Greta 2.0 platform14 , gerçek zamanlı etkileşimleri destekleyen modüler bir sanal ajan çerçevesidir. Son zamanlarda, etkileşim sırasında üretken yapay zeka modellerinin dinamik adaptasyonunu mümkün kılan yetenekleri de kapsayacak şekilde genişletildi.

Platform, kullanıcının kendi yüz ifadelerine dinamik olarak uyum sağlayan gerçek zamanlı yüz ifadeleri üreten MODIFF-815 adlı bir modeli içeriyor. Bu difüzyon tabanlı model, MI bağlamında toplanan çok modlu veriler üzerine eğitilmiştir; yani terapist ve danışan çiftleri arasında danışmanlık seansı videolarından oluşan, YouTube ve Viméo gibi yayın platformlarında toplanan ve diyalog eylemleri (yapılan eylemleri belirten bir ifade sınıflandırması, örneğin, Soru, Selamlama...) ve eylem birimleri (insan yüz ifadesinin taksonomisi) şeklinde açıklamalıdır. Bu veriler, üretimi yalnızca kullanıcının mevcut yüz ifadesine değil, etkileşim sırasında tespit edilen MI'ye özgü diyalog eylemlerine ve benimsenen sohbet stratejileriyle bağlantılı olarak da şartlandırır. Bunlar arasında MI ile ilgili kullanıcıların diyalog eylemleri, örneğin değişim konuşması, yanı sıra temsilcinin kendi diyalog eylemleri, örneğin yansıtma veya bilgi sağlama gibi eylemleri bulunur. Bu çok modlu sinyalleri gerçek zamanlı entegre ederek, sistem sanal ajanın sosyal ve bağlamsal olarak uygun yüz ifadelerini ifade etmesini sağlar. Sözsüz davranışını (NVB) etkileşimin bağlamına uyarlayarak, bu sanal ajan, sosyal bağ kurmak ve mülakat süreci boyunca içsel motivasyonun başlatılmasını desteklemek için tasarlanmıştır15.

Ayrıca, platform MI için özel olarak tasarlanmış DREAM16 adlı bir diyalog sistemini entegre ediyor. DREAM, mevcut diyalog durumu ve kullanıcının profiline göre temsilcinin bir sonraki diyalog eylemini seçen bir diyalog yöneticisinden oluşur. Gerçekten de, AnnoMI korpusunun analizleri MI hastalarının üç profilini ortaya koydu: Değişime açık (hasta değişmeye motive olup destek aradığında), Alıcı (hasta henüz değişimi düşünmemişse) ve Dirençli (hasta değişmeyi düşünmediğinde)13. Sanal ajan ile etkileşime girmeden önce, kullanıcılar Karar Dengesi Ölçeği (DBS)anketi 17'ye verdikleri yanıtlara göre bu üç profilden birine atfedilir. Bu diyalog sistemi, dialog yöneticisi tarafından seçilen diyalog eylemine karşılık gelen ajanın sözlü çıktısını üreten büyük bir dil modeli (LLM) ile tamamlanır. Bu bileşen, diyaloğun bağlamsal uyarlanmasını sağlar ve daha katı ve kural temelli yaklaşımlara göre bir gelişmeyi işareteder 6. Son çalışmalar LLM'lerin MI-uyumlu diyalog oluşturmak için kullanılmasını araştırmış olsa da, kullanıcıprofillerini (18,19) hesaba katmamaktadır. Buna karşılık, bu modül kullanıcının profiline dinamik olarak uyum sağlar ve bu da bu temel sistemlere kıyasla ilişkiyi artırır.

Bu modellerin Greta 2.0 platformuna entegrasyonu, dinamik mikro müdahalelerini mümkün kılar. Modüler uygulaması, her modelin etkisinin bağımsız olarak değerlendirilmesine olanak tanır. Bu makalede, MODIFF-8 ve DREAM modellerinin kullanılan platformun MI diyaloğuna katkılarını değerlendiren deneyler yürütmek için kullanılan yöntemi sunuyoruz. Bu yöntem, MI uygulayıcılarıyla seanslar arasında özel MI müdahaleleri yapmak için de kullanılabilir. Bu, 16 GB GPU'lu bir Windows bilgisayarı ve açık kaynak yazılım kurulumu gerektirir. Bu yöntemi kullanarak, uyarlama modellerimizin MI teslimat ajanının algılanan kalitesini iyileştirdiğini ve ilişki kurmayı güçlendirdiğini gösteriyoruz. Ayrıca, ajan sözel ve sözsüz düzeyde uyarlanmış davranışlar ve konuşma stratejileri seviyelerinde kullandığında hastaların davranışlarını değiştirme motivasyonunda iyileşme gözlemliyoruz. Bu makalede sunulan sonuçlar, ajanın MI müdahalesinin her hastaya göre uyarlanmasının olumlu etkisini göstermektedir.

Bu sistemin tasarımını desteklemek için, motivasyonel mülakata (motivasyonel mülakatma, davranış değişimi modelleri ve kullanıcı tipolojileri) dahil olmak üzere beslenme koçluğunun teorik ve pratik temellerini inceleyen derinlemesine bir literatür incelemesi yapıldı. Bu inceleme, iki ana boyutun kesişimi etrafında yapılandırılmış niteliksel bir bilgi tabanının geliştirilmesine yol açtı: 1) kullanıcıların dönüşüme hazır olması, TransteorikModel 19'u takip ederek 5 aşamayı tanımlıyor: ön düşünme, düşünme, hazırlık, eylem ve bakım; 2) beslenme ve psikolojik faktörlere dayalı yeme davranışıprofilleri. Üç profil belirlendi: sezgisel yiyici (yani, açlık ve tokluk ipuçlarını dinler, çeşitli ve ağırlıklı olarak bitki bazlı bir diyet sürdürür, yüksek kaliteli, çoğunlukla organik yiyecekleri önceliklendirir), duygusal yiyici (yani, stres, yalnızlık ve neşeyle sık sık tatlı veya yağlı yiyecekler atıştırarak başa çıkar, sonrasında genellikle suçluluk hisseder) ve kısıtlayıcı yiyici (yani yiyecek kontrolüne takıntılı, kalori sayarlar, sık sık yo-yo etkisi olan diyetler uygularlar ve yeme bozukluğu olabilirler).

Her aşama ve profil kombinasyonu için, özel SMART hedefleri, motivasyon formülasyonları ve somut davranışsal öneriler dahil olmak üzere bağlama özgü diyalog stratejileri önerildi. Amaç, sanal ajanın müdahalelerini hem psikolojik hazırlık hem de kişisel eğilimler temelinde dinamik olarak uyarlamasını sağlamaktı. Bu temel, etkileşimde daha yüksek düzeyde kişiselleştirme ve empati sağlar; bu da kullanıcı katılımını ve uzun vadeli davranış değişikliğini sürdürmek için kritik öneme sahiptir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

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

Yöntem, INSEAD enstitüsü (Institut européen d'administration des affaires) tarafından kabul numaralarıyla etik IRB onayı aldı: INSEAD 2024-78 ve INSEAD 2025-23. Tüm katılımcılar bilgilendirilmiş onay verdi ve deney süreleri için ücret aldı.

1. Katılımcıların katılımı

  1. Enstitünün e-posta listelerini kullanarak katılımcıları çağırın. Katılımcılar üzerinde herhangi bir kısıtlama yok, sadece dijital arayüzlere aşinalık ve Fransızca akıcılığı var. Üç katılımcı, internet kaynak düşüşleri nedeniyle dışlandı; bu durum küresel sistem yanıt gecikmesini önemli ölçüde artırdı.

2. Ön kurulum gereksinimleri

  1. Windows bilgisayarı kullanın. Intel I7 CPU, 20 çekirdek, 28 iş parçacığı (%50 kullanım), RAM 32GB (%20 kullanım), 32GB Nvidia RTX 5000 GPU (%20 kullanım) kullanıyoruz.
  2. Java SE Development Kit 8 (https://www.oracle.com/java/technologies/javase/javase8-archive-downloads.html) kur. Visual Studio 2013 (https://www.microsoft.com/en-us/download/details.aspx?id=40784) için Visual C++ Redistributable programını kur.
  3. Cereproc lisansı talep edin (https://app.cereproc.com/). OpenFace (https://github.com/TadasBaltrusaitis/OpenFace) kur. Bir web kamerası alın.

3. Greta kurulumu

  1. https://github.com/isir/greta/releases'dan yazılım sürümünü indirin. NetBeans ile derleyin (ayrıntılı talimatlar: https://github.com/isir/greta/wiki/Quick-start).

4. Mistral API anahtar yapılandırması

  1. https://console.mistral.ai/api-keys'dan bir Mistral API anahtarı alın.
  2. Dosyayı oluştur: greta\bin\Common\Data\LLM\MICounselorRL\api_key.txt. API anahtarını oluşturulan dosyaya yapıştırın.

5. DeepGram API anahtar yapılandırması

  1. https://console.deepgram.com/'dan bir DeepGram API anahtarı alın.
  2. Dosyayı oluştur: greta\bin\Common\Data\DeepASR\DeepGram\api_key.txt. API anahtarını oluşturulan dosyaya yapıştırın.

6. MODIFF modeli ithalatı

  1. Model ağırlıklarını https://drive.google.com/file/d/1n3udJf5pSNnFmxs_kt_zcFcF0m7zoLLr/view?usp=sharing'dan indirin ve dosyayı greta\bin\Common\Data\MODIFF içine yerleştirin.
  2. https://dlib.net/files/mmod_human_face_detector.dat.bz2 ve https://dlib.net/files/shape_predictor_5_face_landmarks.dat.bz2'dan dlib yüz algılama modellerini indirip açın, sonra bunları bin/Common/Data/TurnManagement/dlib_models'a yerleştirin.
  3. Tüm VAP modellerini model/VAP'ta https://drive.google.com/drive/folders/10_MTPkRyJCoFLDt4LO_M9kRgoreh6gEF?usp=sharing'dan indirin ve bin/Common/Data/TurnManagement/models/ içine yerleştirin.

7. Greta 2.0'ın Başlatılması

  1. Fırlatma Modular.jar. File > >Greta > Advances'i aç Greta > 20250128 Expé Lucie_full.xml.
  2. Konfigürasyonun Şekil 1'e uyduğundan emin olun.

8. OpenFace'in Başlatılması

  1. OpenFace'i çevrimdışı başlat ZeroMQ.exe. OpenFace'in özel bir sürümü, ZeroMQ protokolü kullanılarak Greta platformuyla 5000 portu üzerinden doğrudan iletişim kurmaya olanak tanır.
  2. Kayıt sekmesinde, ZeroMQ ile Yayın hariç her şeyi işaretinden kaldırın. Yazılımın çıkarılan sinyalleri (AU'lar, Bakma, Baş hareketleri ...) Greta platformuna göndermesini sağlar.
  3. Dosya sekmesinde Open Webcam'e tıklayın. Mevcut web kamerası kullanarak canlı özellik çıkarımı yetkileyin.
  4. Kullanacağınız web kamerasını seçin ve web kamerası yüklenene kadar bekleyin ( bkz. Şekil 2). Web kamerası yüklendikten sonra, araç otomatik olarak canlı özellik çıkarımı başlatır ve verileri Greta platformuna gönderir.

9. MODIFF-8'in Fırlatılması

  1. OpenFace2 Output Stream Reader'de, Connect butonuna tıklayın ve OpenFace'ten gönderilen mevcut özelliklerin listesinin doldurulmasını bekleyin ( bkz. Şekil 3).
  2. Platformun Openface'ten sürekli almasını istediğiniz özellikleri doğrulamak için Hepsini Seç > Set'e tıklayın.
  3. Modiff altında, Başlat'a tıklayın ve şu mesajı bekleyin: localhost 5560 sunucusuna bağlı.
  4. Bağla' tuşuna tıklayın. Bu adım, yüz ifadesi üretim modülü Modiff ile Greta OpenFace veri alıcısı arasındaki bağlantıyı etkinleştirir.
  5. Filtre altında, Gerçekleştir tuşuna tıklayın, böylece sanal ajan, Modiff Modülü tarafından üretilen verileri gerçekleştirmesini sağlar.
  6. MODIFF penceresinde Etkinleştir tuşuna tıklayın. Modelin stabilleşmesini 90 saniye bekle.

10. ASR'nin fırlatılması

  1. DeepGram penceresinde Enable'e basın.

11. DREAM'in Fırlatılması

  1. DREAM kullanmak için Condition RL'yi , sade bir LLM kullanmak için Baseline'ı seçin.
  2. MI Danışman RL penceresinde Etkinleştir seçeneğine tıklayın. Modelin başlamasını 30 saniye bekle.

12. Odayı kur

  1. Önünde bir sandalye olan bir masaya büyük bir monitör koyun. Monitörün üzerine sandalyeye bakacak şekilde bir web kamerası yerleştir. Sandalyenin önündeki masaya yönlü bir mikrofon koyun.

13. Katılımcıyı karşılamak

  1. Katılımcıyı özel bir odaya hoş geldiniz ( bkz. Şekil 4). Katılımcıyı Ek Dosya 1'deki konuşmaya göre bilgilendirin.
  2. Katılımcının DBS anketini 5 adımlı bir Likert ölçeğinde doldurmasını sağlayın (bkz. Tablo 1'deki maddeler).
  3. Katılımcıdan mikrofona konuşmasını iste. Web kamerasının katılımcının başını ve üst bedenini kaydettiğinden emin olun

14. Katılımcı profilini belirleyin

  1. DBS puanı negatifse, katılımcıyı Değişime Dirençli olarak sınıflandırın. DBS puanı 0 ile 2 arasındaysa, katılımcıyı Alıcı olarak sınıflandırın. Aksi takdirde, katılımcıyı Değişime Açık olarak sınıflandırın.

15. Temayı ve profili belirleyin

  1. MI Danışman RL penceresinde, katılımcının seçtiği şekilde tartışılacak temayı belirleyin. Profili adımda tanımlandığı gibi ayarlayın.

16. Diyaloğa başla

  1. MI Danışman RL penceresinde, katılımcı ile tartışmayı başlatmak için Başlat tuşuna tıklayın. Bu düğmeye tıklandığında diyalog DREAM olur ve MODIFF modelleri otomatik olarak ajanın davranışlarını yönlendirir.

17. Diyalog sırasında

  1. LLM çıktısının zararlı olmadığından emin olmak için MI Danışmanı penceresinin Cevap paragrafını takip edin.
  2. DeepGram penceresinde, ajanın sırası bittikten sonra Dinle ' tuşuna tıklayın.
  3. Konuşma tanınmazsa, MI Danışmanı RL penceresindeki Talep paragrafını katılımcının konuşmasıyla doldurun ve Gönder tuşuna tıklayın. Bu, otomatik olarak ajanın yanıtını oluşturur.
  4. Katılımcının cevabını bekleyin.
  5. 17.1 ile 17.4 arasında diyalog bitene kadar tekrarlayın. Diyalog kendi kendine duruyor.

18. Müdahale sonrası

  1. Katılımcıdan müdahale sonrası anketleri doldurmasını isteyin (bkz. Tablo 1'deki 1-9. maddeler). Katılımcıyı Ek Dosya 1'deki konuşmayı kullanarak bilgilendirin.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

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

Sunduğumuz protokolde, ölçmek istediğimiz davranışlara uyarlanmış anketler kullanarak etkileşim transkriptleri ve kullanıcı geri bildirimleri topladık. Etkileşimin sonuçlarını modellerimizle ya da modellerimiz olmadan karşılaştırdık.

MODIFF-8 uyarlanabilir ifade üretiminin etkisini değerlendirmek için protokolü kullanmak
MODIFF-8 modülü, sanal ajanın hem bağlamsal olarak uygun hem de kullanıcı ile davranışsal olarak senkronize yüz ifadeleri...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

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

Bu makalede, özel Motivasyonel Mülakat müdahaleleri sunmak ve kontrollü ve tekrarlanabilir bir etkileşim çerçevesinde bireysel davranış oluşturma modüllerini test etmek için bir protokol sunuyoruz. Bu yöntem, ajan davranışında yer alan bileşenler üzerinde kontrol sağlayan ve araştırmacıların belirli modülleri kolayca açıp kapatmasını sağlayan Greta 2.0 platformunun modüler mimarisi üzerine inşa edilmiştir. Bu esneklik, Greta 2.0'ı hem deneysel manipülasyonlar hem de insan-ajan çoklu etki...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

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

Yazarların açıklayacak hiçbir şeyi yok.

Teşekkürler

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

Bu çalışma, kısmen ANR-DFG-JST Panorama, ANR-JST-CREST TAPAS (19-JSTS-0001-01), Enhancer (ANR-22-EXEN-0004) ve PEPR-Ensemble PC3 (ANR-22-EXEN-0004) projeleri tarafından finanse edilmiştir. Bu makalede sunulan değerlendirme, Idex Sorbonne Üniversitesi tarafından Geleceğe Yatırımlar programlarına devlet desteğinin bir parçası olarak finanse edilmiştir. Bu çalışma, Fransa 2030 programı kapsamında Agence Nationale de la Recherche tarafından yönetilen Fransız hükümetinin hibe desteği olan ANR-22-EXEN-0004 (PEPR eNSEMBLE / MATCHING) ve 22-PESN-0009 (PEPR AUTONOM-SAĞLIK) referanslarıyla desteklenmiştir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
BilgisayarDellIntel Core i7-14700 işlemcili bilgisayar ve Nvidia RTX5000
Mikrofon KulaklığıEposMikrofonlu Bir Kulaklık
Web kamerasıLogitechYüz ifadesi çıkarımı için
Webcam2LogitechVideo kaydı için

Kaynaklar

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

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

B y k Dil ModeliGer ek Zamanl Etkile imDiyalog Y neticisiY z fadesi AdaptasyonuTakviyeli renmeok Modlu Etkile imSosyal Uyum

İlgili makaleler