Large Language Models (LLM) enable open-ended and socially rich interactions, yet they lack mechanisms for deliberate control and structured adaptation. In many complex tasks, effective dialogue requires two levels of adaptation: personalization to diverse user profiles with distinct needs, and dynamic management of evolving sub-goals throughout multi-stage interactions. Existing systems typically address only one of these dimensions, limiting their ability to support nuanced, goal-driven conversations. We propose a hybrid dialogue framework that integrates an LLM with a hierarchical dialogue manager capable of guiding conversational structure while adapting to different user types. Motivational Interviewing (MI) serves as a challenging testbed, as it requires both adherence to a defined sequence of interaction phases and sensitive personalization to individual users. Our manager leverages hierarchical reinforcement learning to model MI's multi-phase progression and employs meta-learning to enable rapid adaptation across user profiles. Experiments using a simulated user and evaluations involving human participants show that the proposed system produces more engaging interactions than a plain LLM baseline. This article demonstrates the value of hybrid architectures for achieving two-level adaptation in dialogue systems.

Objectif Les réseaux sociaux sont devenus une source importante d’information médicale pour le grand public, mais la qualité des contenus y est rarement contrôlée. De nombreux comptes ne proposent pas de liens fiables vers des applications validées ou des données scientifiques. Nous avons ainsi conçu une campagne ciblée visant à promouvoir l’application mobile KANOPEE, dédiée à l’hygiène du sommeil, et évalué son coût-efficacité ainsi que son potentiel d’adoption dans un contexte réel. Méthodes L’application KANOPEE, gratuite et centrée sur l’hygiène du sommeil, a été rendue disponible sur le Google Play Store et l’Apple App Store. Notre campagne de communication, menée du 11 janvier 2023 au 30 mai 2025, consistait en des publicités payantes diffusées sur les plateformes META (Facebook, Instagram, Messenger) ainsi que sur TikTok, sous forme de courtes vidéos illustrant les conséquences d’une mauvaise hygiène de sommeil et les bénéfices liés à l’utilisation de KANOPEE. Les annonces ciblaient les adultes de 18 ans et plus, sans distinction de genre. En raison des contraintes imposées par le RGPD, les campagnes étaient orientées vers le trafic : elles visaient à maximiser les redirections vers les pages de téléchargement, sans pouvoir les relier directement aux installations effectives. Résultats Le coût total de la campagne s’est élevé à 30 000 €. Elle a touché 14 414 918 personnes et généré 139 937 redirections vers les pages de téléchargement, soit un coût moyen de 0,21 € par clic. Le coût variait selon la plateforme et le système d’exploitation : 0,17 € pour les utilisateurs Android contre 0,60 € pour les utilisateurs iOS. L’engagement le plus fort a été observé chez les 55 ans et plus. Les plateformes META ont majoritairement atteint ce public senior, tandis que TikTok s’est montré plus performant auprès des jeunes adultes. Conclusion Les réseaux sociaux constituent une stratégie rentable pour promouvoir des outils de santé mobile validés. Cette campagne illustre la capacité de diffusion à grande échelle et la nécessité d’adapter les canaux selon l’audience ciblée. Malgré les limites liées au RGPD, les résultats suggèrent un fort potentiel pour améliorer la sensibilisation et l’adoption d’interventions en santé du sommeil.

Objectif Les plaintes des patients constituent un aspect crucial du processus de raisonnement clinique en médecine du sommeil. Pourtant, elles sont souvent sous-évaluées en clinique, et mal organisées en recherche. Cette étude vise à créer une ontologie formelle des plaintes de sommeil, à partir des associations entre symptômes et troubles fondée sur la classification internationale ICSD-3. Méthodes Les troubles du sommeil et leurs symptômes correspondants ont été hiérarchisés selon l’ICSD-3. Une revue parallèle menée sur le DSM-5 a montré que sa liste des symptômes est comprise dans celle de l’ICSD-3. Ensuite, pour refléter l’importance clinique variable des associations trouble-symptômes, un grand modèle de langage (GPT-4o) a attribué des scores de 1 à 5 à chaque association (où 1 est une relation faible et 5 est une relation très forte ou un symptôme clé du trouble). Cette pondération a été validée par deux experts du sommeil et a ensuite été formalisée dans une ontologie, une structure informatique qui décrit formellement les concepts et leurs relations. Une visualisation dynamique en réseau de nœuds a été créée avec D3.js, une bibliothèque JavaScript permettant la transformation des données structurées en visualisations intéractives. Ce choix permet de mettre en évidence la connectivité des concepts au sein de l’ontologie. Finalement, notre modèle ontologique a été intégré dans la SLEEP ontology qui couvre principalement les comportements du sommeil, ouvrant la voie à un futur établissement de relations entre comportements et troubles cliniques. Résultats L’ontologie finale offre une représentation plus complète des troubles du sommeil, combinant la nosologie et la symptomatologie, en plus d’un outil de visualisation de la dynamisme entre les troubles et les symptômes (Fig. 1). Conclusion Cette ontologie constitue une avancée méthodologique dans l’organisation des connaissances en médecine du sommeil facilitant l’intégration structurée des plaintes des patients et la sémiologie liée dans l’évolution des classifications des troubles du sommeil. Elle permet de mieux évaluer la force d’association entre symptômes et troubles, ouvre les classifications à l’intégration des patient reported outcomes (PRO), et permet de contraindre des systèmes de langage autonomes par des ontologies médicales utiles pour le raisonnement clinique en médecine du sommeil.

Can simulated emotional reactions displayed by embodied virtual agents influence human moral behaviour? Specifically, can they affect honesty, a core moral norm, even if the reaction is neither sentient nor genuine?In a preregistered and incentivised experiment, 372 participants played a repeated Prisoner’s Dilemma with a cooperative agent whose simulated facial reactions were designed to promote cooperation, defection, or neither. We then measured honesty in two unrelated tasks without emotional feedback, where dishonesty had either only self-regarding consequences (Mind Game) or also other-regarding consequences (Deception Game).When dishonesty affected the agent’s outcomes, honesty remained relatively high given the stakes, as if the agent’s outcomes were treated as morally relevant. In contrast, when dishonesty had no consequences for the agent, honesty depended on prior exposure: participants were more honest after interacting with a defection-promoting agent than with a cooperation-promoting one, consistent with moral compensation.These results suggest that even brief, speech-free interactions with emotionally expressive yet non-sentient agents can influence moral behaviour, suggesting that people respond to such agents as they would to real social partners. This raises important questions about the ethical impact of simulated emotion in human-AI interactions.

Objectif Les grands modèles de langage (LLMs) apparaissent comme des outils prometteurs pour soutenir le diagnostic médical. Leur utilisation a déjà montré des résultats positifs dans l’extraction d’informations ou la synthèse de comptes rendus. Combinés aux critères standardisés du DSM-5 R, les LLMs pourraient contribuer à une identification plus rapide et plus fiable des troubles du sommeil. Méthodes Nous avons collecté les entretiens cliniques de 67 patients, réalisés par deux spécialistes du sommeil du CHU de Bordeaux. Les entretiens, anonymisés et transcrits, ont été analysés indépendamment par les cliniciens, qui ont attribué des diagnostics selon 12 troubles définis par le DSM-5 R. Nous avons développé au total 36 systèmes basés sur des LLMs pour générer des hypothèses diagnostiques à partir des transcriptions des entretiens cliniques. Chaque système intégrait l’un de 12 modèles, allant de LLaMA 3.1 à GPT-4o, et appliquait l’une de trois stratégies de prompting : zero-shot (question directe), chain-of-thought (raisonnement guidé) et prompt chaining (dialogue simulé multi-agents). Pour évaluer les performances, nous avons comparé les résultats diagnostiques de chaque système aux évaluations cliniques des spécialistes humains. Résultats Les résultats indiquent une corrélation entre la taille du modèle et la précision diagnostique. Les modèles de petite taille génèrent fréquemment des diagnostics erronés (« hallucinations »). Les modèles de taille intermédiaire (24 à 70 millions de paramètres) atteignent une sensibilité et une spécificité aux alentours de 80 %. Les modèles les plus avancés, notamment GPT-4o, obtiennent d’excellents scores de spécificité, mais une sensibilité plus faible. L’impact des stratégies de prompting apparaît limité. Surprenamment, l’approche la plus simple, le zero-shot prompting, surpasse les méthodes plus élaborées, suggérant que les LLMs peuvent produire de bons résultats avec un guidage minimal. Conclusion Cette étude démontre que les LLMs peuvent approcher la performance de spécialistes dans le diagnostic des troubles du sommeil à partir d’entretiens transcrits. La taille du modèle constitue un facteur déterminant, alors que la stratégie de prompting joue un rôle secondaire. Ces résultats ouvrent des perspectives intéressantes pour l’intégration des LLMs dans la pratique clinique, tout en soulevant des questions éthiques liées au compromis entre performance (associée aux modèles les plus puissants) et respect de la confidentialité.

Objectif Les troubles du sommeil et les difficultés de santé mentale présentent des prévalences différenciées selon le sexe. Cependant, peu d’études à grande échelle ont exploré simultanément les comportements de sommeil, la somnolence et les symptômes dépressifs dans la population générale via des outils numériques. L’objectif de cette étude était d’analyser les différences entre hommes et femmes sur les troubles du sommeil et de santé mentale à partir des données collectées par l’application Kanopée. Méthodes Nous avons inclus les utilisateurs ayant téléchargé l’application avant septembre 2025 et complété les évaluations initiales (n=96 779). L’échantillon comprenait 56,6 % de femmes (âge moyen 45,2±15,6 ans) et 39,2 % d’hommes (44,8±16,7 ans). Les questionnaires utilisés incluaient l’Insomnia Severity Index (ISI), l’Epworth Sleepiness Scale (ESS), le Patient Health Questionnaire (PHQ-2, PHQ-9), ainsi qu’un agenda du sommeil, et du jetlag social. Les analyses ont été stratifiées par sexe et suivies longitudinalement aux temps J0, J7 et J17. Résultats À l’inclusion, les femmes présentaient une prévalence plus élevée d’insomnie (64,3 vs 35,7 % chez les hommes) et de symptômes dépressifs (PHQ-2 positif : 64,0 vs 36,0 %). Cette tendance se maintenait à J7 et J17, malgré une diminution progressive des effectifs. Concernant la somnolence diurne (ESS), les différences étaient similaires, avec des scores plus élevés chez les femmes. Pour autant, les comportements de sommeil reportés montraient des divergences : à J0, 66,3 % des femmes déclaraient un horaire de coucher plus tardif contre 33,7 % des hommes, différence retrouvée sur les temps de lever et le TST. L’analyse du TST moyen montre que les femmes dorment significativement plus longtemps que les hommes, quelles que soient leurs catégories socioprofessionnelles et leurs scores ISI, ESS, PHQ. Le jetlag social était également plus marqué chez les femmes (59,1 vs 40,9 %). Conclusion Cette étude met en évidence des différences nettes entre sexes dans les troubles du sommeil et de santé mentale. Les femmes rapportent davantage d’insomnie, de symptômes dépressifs et de jetlag social, malgré un temps de sommeil légèrement supérieur. Ces résultats soulignent la nécessité d’approches différenciées et personnalisées dans la prévention et la prise en charge des troubles du sommeil selon le sexe.

Objectif L’addiction est l’un des troubles psychiatriques les plus répandus dans la population générale, et la co-occurrence avec les troubles du sommeil est très fréquente. L’objectif de ce travail était d’explorer, parmi les utilisateurs de l’application KANOPEE, la relation entre les plaintes de somnolence et d’insomnie et l’usage problématique de substances/écrans. Méthodes L’application smartphone KANOPEE propose des interactions avec un compagnon virtuel pour évaluer l’insomnie (Insomnia Severity Index [ISI]), la somnolence diurne excessive (SDE, Epworth Sleepiness Scale [ESS]), et dépister l’usage problématique du tabac, de l’alcool, du cannabis, et des écrans. Les symptômes anxieux et dépressifs sont évalués (PHQ-2, PHQ-9). Un agenda de sommeil de 7jours permet ensuite d’évaluer la durée et la régularité du sommeil. Pour les analyses, les participants ont été répartis en groupes d’addiction principale exclusifs selon l’usage le plus problématique, ou dans un groupe contrôle en cas d’usages non problématiques. Résultats Depuis avril 2020, 14 512 participants ont été inclus (62 % de femmes ; âge moyen : 49 ans ; alcool 18,4 % [n=2676], tabac 12,0 % [n=1739], écrans 10,0 % [n=1458], cannabis 1,7 % [n=247] et contrôle 57,5 % [n=8350]). Les plaintes liées au sommeil étaient fréquentes : 49 % rapportaient une insomnie modérée à sévère, et 42 % une SDE modérée à sévère. Après ajustement sur les données sociodémographiques et le sommeil, l’insomnie était plus fréquente dans les groupes tabac, écrans et alcool. La SDE était plus fréquente dans le groupe écrans, mais moins fréquente dans le groupe cannabis. Après inclusion des variables psychopathologiques, les associations avec l’insomnie perdaient leur significativité, alors que celles avec la SDE restaient inchangées. Conclusion Les plaintes de somnolence sont fréquentes chez les utilisateurs de KANOPEE et associées à l’usage problématique des écrans, indépendamment de l’anxiété/dépression. Les plaintes d’insomnie sont courantes, et associées à l’usage problématique de tabac, alcool et écrans, mais ce lien est largement expliqué par l’anxiété/dépression. L’effet protecteur apparent du cannabis sur la plainte de somnolence contraste avec la littérature : de futures études devront explorer la direction/temporalité de ces liens.

The promotion of mental health is essential for global health, affecting millions with disorders such as anxiety and depression. Although stigma and discrimination hinder progress, these conditions are often preventable or manageable at minimal cost. The adoption of digital tools in mental health promotion, including telemedicine, online therapy, social media, and wearables, offers promising new avenues to address these issues. This review proposes a framework that focuses on the use of digital tools to enhance health literacy, foster behavioral change, and support sustained positive health behaviors. Platforms such as TikTok, Facebook, and Instagram can effectively disseminate health information, increase awareness, and enhance social accountability. Artificial intelligence-driven virtual agents offer personalised mental health interventions, providing motivational support and customised advice. Additionally, wearable technology (e.g., fitness trackers and smartwatches) enables real-time monitoring of vital health metrics, encouraging ongoing healthy activities. Nonetheless, these technologies introduce challenges including privacy issues, data security, and equitable access to digital resources, raising a new class of rights to protect mental privacy, guard against algorithm bias, and prevent personality-changing manipulations. The absence of human interaction in fully digital solutions also raises concerns about a lack of empathy and emotional connection. For optimal use of digital tools in mental health, integration with conventional care practices and adaptation to diverse cultural and social backgrounds are necessary. The results of this review suggest that digital tools, when carefully implemented, can significantly improve mental health outcomes by making care more accessible, tailored, and effective, especially for underserved communities.

Abstract Background Fully automated digital interventions delivered via smartphone apps have proven efficacious for a wide variety of mental health outcomes. An important aspect is that they are accessible at a low cost, thereby increasing their potential public impact and reducing disparities. However, a major challenge to their successful implementation is the phenomenon of users dropping out early. Objective The purpose of this study was to pinpoint the factors influencing early dropout in a sample of self-selected users of a virtual agent (VA)–based behavioral intervention for managing insomnia, named KANOPEE, which is freely available in France. Methods From January 2021 to December 2022, of the 9657 individuals, aged 18 years or older, who downloaded and completed the KANOPEE screening interview and had either subclinical or clinical insomnia symptoms, 4295 (44.5%) dropped out (ie, did not return to the app to continue filling in subsequent assessments). The primary outcome was a binary variable: having dropped out after completing the screening assessment (early dropout) or having completed all the treatment phases (n=551). Multivariable logistic regression analysis was used to identify predictors of dropout among a set of sociodemographic, clinical, and sleep diary variables, and users’ perceptions of the treatment program, collected during the screening interview. Results The users’ mean age was 47.95 (SD 15.21) years. Of those who dropped out early and those who completed the treatment, 65.1% (3153/4846) were women and 34.9% (1693/4846) were men. Younger age (adjusted odds ratio [AOR] 0.98, 95% CI 0.97‐0.99), lower education level (compared to middle school; high school: AOR 0.56, 95% CI 0.35‐0.90; bachelor’s degree: AOR 0.35, 95% CI 0.23‐0.52; master’s degree or higher: AOR 0.35, 95% CI 0.22‐0.55), poorer nocturnal sleep (sleep efficiency: AOR 0.64, 95% CI 0.42‐0.96; number of nocturnal awakenings: AOR 1.13, 95% CI 1.04‐1.23), and more severe depression symptoms (AOR 1.12, 95% CI 1.04‐1.21) were significant predictors of dropping out. When measures of perceptions of the app were included in the model, perceived benevolence and credibility of the VA decreased the odds of dropout (AOR 0.91, 95% CI 0.85‐0.97). Conclusions As in traditional face-to-face cognitive behavioral therapy for insomnia, the presence of significant depression symptoms plays an important role in treatment dropout. This variable represents an important target to address to increase early engagement with fully automated insomnia management programs. Furthermore, our results support the contention that a VA can provide relevant user stimulation that will eventually pay out in terms of user engagement.

This workshop should explore virtual companions using design fiction to anticipate ethical, aesthetic, and cultural implications, as well as explore possible evaluation methods for the future of virtual companions. Participants will create speculative narratives to examine future interactions, stereotypes, and societal impact.

Objectif L’insomnie et la somnolence sont fréquemment associées même si elles font intervenir des mécanismes physiologiques différents, voire opposés. Leur co-occurrence paradoxale et leur relation complexe en l’absence de troubles du sommeil ou de troubles psychiatriques ont jusqu’à présent été peu étudiées. L’application KANOPÉE, qui propose des interactions avec un compagnon virtuel pour collecter des données sur le sommeil et formuler des recommandations comportementales personnalisées pour améliorer le sommeil sur 17jours, offre une belle opportunité pour étudier la relation complexe entre insomnie et somnolence. Méthodes Cohorte numérique de 18 522 participants remplissant des questionnaires subjectifs en trois vagues sur leurs symptômes d’insomnie (ISI) et de somnolence (Epworth), en plus du dépistage de l’apnée obstructive du sommeil (NoSAS), du syndrome des jambes sans repos et de la dépression (PHQ-9). Un Cross-Lagged Panel Model à intercept aléatoire (RI-CLPM) a été réalisé pour explorer les associations longitudinales entre l’insomnie et la somnolence. Les modifications de l’insomnie et de la somnolence au cours du suivi ont été représentées à l’aide de la moyenne et de son intervalle de confiance (bootstrap) à chaque temps de suivi. Résultats À l’inclusion, 6345 (34 %) participants n’ont signalé ni insomnie ni somnolence, 4595 (25 %) étaient insomniaques, 3411 (18 %) étaient somnolents, 3916 (21 %) étaient insomniaques somnolents modérés et 255 (1 %) étaient insomniaques somnolents sévère (Fig. 1). La moitié des insomniaques somnolents modérés et les trois quarts des insomniaques somnolents sévères avaient une comorbidité expliquant la co-occurrence insomnie-somnolence. L’affection comorbide la plus répandue était la dépression (35 % des insomniaques somnolents modérés et 69 % des insomniaques somnolents sévères). L’insomnie et la somnolence avaient une relation en forme de U dans les analyses transversales. Nous n’avons trouvé aucune association longitudinale entre l’insomnie et la somnolence. Tous les profils de participants avaient une amélioration de leurs plaintes de sommeil au cours du suivi. Les patients très symptomatiques avaient la plus grande amélioration. Conclusion La relation entre insomnie et somnolence n’est pas linéaire : elles sont positivement associées jusqu’à un certain stade où elles deviennent incompatibles, en dehors des troubles du sommeil ou psychiatriques. Par ailleurs, elles répondent positivement à une intervention d’éducation à la santé du sommeil.

The growing demand for therapeutic support increasingly exceeds the capacity of available professionals. A virtual agent capable of performing motivational interviewing (MI) offers a promising solution to assist patients in reaching their goal of behavior change between sessions with human therapists. MI is inherently a cooperative and adaptive form of communication. Therefore, developing an agent capable of adapting its conversational strategies to the context could significantly enhance the effectiveness of therapy. During MI sessions, human therapists adjust both their verbal and nonverbal behaviors based on the human patients' responses, as well as their profiles. Depending on the patient's level of motivation, the therapist will modify their approach accordingly. Thus, personalization and adaptability are essential for developing effective MI virtual agents. In this paper, we present a virtual agent capable of conducting MI sessions by dynamically adapting verbally and nonverbally to users in real time. Leveraging state-of-the-art models, this system enables MI interactions. The virtual agent is embodied using the Greta 2.0 platform. Its nonverbal behavior is generated through a diffusion model called MODIFF, which adapts to the user's facial expressions and their readiness to change. These facial expressions were learned on an MI corpus and validated through a dedicated user study. The dialogue is generated using a state-of-the-art large language model (LLM), enhanced by a dialogue manager specifically designed for MI, with a reinforcement learning approach, and validated through user testing. Furthermore, the dialogue manager is able to adapt to different user profiles. The resulting platform is open-source and facilitates the generation of real-time, multimodal MI dialogues, providing new tools for digitally mediated therapeutic interactions.

Background Sleep complaints are a major concern for the aging population. Insomnia affects quality of life, and is associated with unfavorable geriatric outcomes. Digital technologies offer promising perspectives to assess and support various health conditions, including for the older adults. Among them, the KANOPEE app, a smartphone-based virtual autonomous conversational agent, has been validated in general adult population for insomnia assessment and behavioral interventions. This research primarily aimed to assess the acceptability of the KANOPEE application for evaluating insomnia in older adults. The secondary objective aimed to identify the determinants influencing the acceptability of the app. Methods This cross-sectional study included geriatric department inpatients aged 70 or older, undergoing a standardized interview with the app, addressing sleep complaints. Acceptability was assessed using the Acceptability E-Scale (AES) and ECA Trust Questionnaire (ETQ). Sociodemographic and geriatric data were collected for multivariate linear regression analysis to assess determinants of acceptability scores. Results Fifty inpatients were included (mean age: 85.8 years, men: 48%), 40% declaring a novice level of familiarity with technology. Insomnia Severity Index mean score was of 8.2, with significant clinical insomnia for 12%. The KANOPEE app showed good acceptability on AES and ETQ scales (respectively 22/30 and 18/24). Familiarity with technology increased credibility in the app (β = 1.5, CI [0.1, 2.9]). Acceptability increased with multimorbidity score (β = 1.5, CI [0.1, 2.2]), and decreased with hearing impairment (β = 1.5, CI [−10.6, −2.8]). Higher depression score decreased trust in the app (β = −0.7, CI [−0.9, −0.4). Conclusion This preliminary investigation confirms that older adults can use autonomous virtual agent based applications to quantify their sleep complaints. Understanding and tailoring the unique needs of older users are paramount for successful digital interventions. Further research is needed to confirm these preliminary findings and assess the broader impact of digital apps in a larger sample.

The analysis of symptom relationship is clinically essential in sleep medicine. Network modeling for sleep symptoms offers an interesting perspective to model and quantify symptom architecture. Notably, the perceived causal networks (PECAN) method represents a way to systematically collect how individuals themselves perceive the causal influence of their symptoms. However, its applicability remains limited by the difficulty of collecting data from a large number of subjects. Based on the “theorAIzer” framework, we developed a LLM-based PECAN using a pretrained large language model (LLM) to evaluate perceived causal relationships between sleep symptoms. We hypothesized that the causal structure derived from large corpora could support the systematic mapping of symptom interrelations within a collective latent space, by mobilizing this distributed memory through network analysis. Twenty-nine sleep symptoms were selected. Using the theorAIzer framework with prompt ensembling, a pretrained LLM (ChatGPT, July 2025 version; OpenAI) was queried to assess perceived causal relations by determining directionality, weight, and valence. Networks were visualized after regularization with graphical LASSO and model selection by eBIC; strength-type centrality was calculated, and robustness assessed with bootstrap resampling (N = 2,000). The LLM-based PECAN comprised 29 nodes and 46 directed, weighted and valenced edges. Insomnia maintaining, insomnia initiating, and insomnia early were strongly linked to non-restorative sleep (respectively at w=0.77, 0.75, 0.68), which in turn had cascading effects on daytime sleepiness (w=0.70) and fatigue (w=0.72). Centrality analysis revealed hub-like symptoms such as non-restorative sleep (z=3.16), daytime sleepiness (z=1.96), fatigue (z=1.86), cognitive symptoms (z=1.84), and sleep inertia (z=1.32). Network robustness analysis indicated a stability coefficient of 0.55, supporting robustness of edges and centrality metrics. The resulting network reproduced well-established associations between sleep symptoms observed in clinical and epidemiological studies. In the future, the comparison between collective LLM-based and individualized PECAN networks could allow more precise modeling of a digital twin of a specific patient grounded in perceived causal networks of sleep symptoms. Not applicable

In this work, we propose a novel framework that integrates large language models (LLMs) with an RL-based dialogue manager for open-ended dialogue with a specific goal. By leveraging hierarchical reinforcement learning to model the structured phases of dialogue and employ meta-learning to enhance adaptability across diverse user profiles, our approach enhances adaptability and efficiency, enabling the system to learn from limited data, transition fluidly between dialogue phases, and personalize responses to heterogeneous patient needs. We apply our framework to Motivational Interviews, aiming to foster behavior change, and demonstrate that the proposed dialogue manager outperforms a state-of-the-art LLM baseline in terms of reward, showing a potential benefit of conditioning LLMs to create open-ended dialogue systems with specific goals.

The increasing prevalence of mental health issues has created a significant gap between the demand for mental health services and available resources, resulting in prolonged wait times for therapy. Virtual agents capable of conducting Motivational Interviews (MI) offer a promising solution by providing immediate support and interventions during the waiting period. Our aim is to build such an agent, a task which first requires analyzing human-human data so we can build a computational model to drive the agent's verbal and nonverbal behaviors. This study presents the Empathic Multimodal Motivational Interviews (EMMI) features set, composed of multimodal features extracted from two existing MI corpora, AnnoMI and the Motivational Interviewing Dataset (MID). Our analyses focus on therapists' and patients' verbal and nonverbal behaviors to understand their interactions better. We identify three distinct patient types, "Open to change," "Resistant to change," and "Receptive", and examine how therapists adapt their behaviors to their clients. Our findings reveal that therapists adjust their verbal and non-verbal behavior based on patients' types. This study highlights the importance of considering verbal and nonverbal cues when developing virtual agents for MI, emphasizing the need for these agents to adapt dynamically to different patients' types and behaviors. Our insights provide a foundation for creating adaptive virtual MI interviewers to personalize interventions, thus enhancing their effectiveness and supporting mental health care delivery.

Motivational Interviewing (MI) is a therapeutic approach that emphasizes collaboration and supports behavioral change by guiding patients to explore the reasons and motivations behind their unhealthy behaviors. In this research, we explore the effect of conditioning on Large Language Models (LLMs) and how they can be leveraged in conjunction with a virtual agent to simulate MI interactions with humans. We develop a dialog manager capable of generating dialog acts that align with MI phases and adapt to different user profiles. We conduct a human study in which participants interacted with an embodied virtual agent, powered by either a standard LLM or a conditioned LLM. We assess participants’ motivation before and after the interaction using the short version of the Decision Balance Scale for smoking, drinking alcohol, or exercising, depending on the participant’s chosen topic. We found that participants create more rapport with the agent powered by the conditioned LLM. Moreover, our results suggest that our model is able to meet the therapeutic threshold and highlights the importance of personalizing interventions to different user profiles.

Objectif Nous avons cherché a évaluer l’impact de la modalité d’interaction entre un patient présentant des plaintes de sommeil et un agent conversationnel sur l’acceptabilité de ce dernier. Méthodes Nous avons mené des évaluations auprès de quarante patients de plus de 18 ans, qui présentaient des troubles du sommeil et qui recevaient déjà des soins en milieu hospitalier. Ils ont été répartis en 2 conditions. Dans la condition ACA, un agent conversationnel animé (ACA) apparaissait à l’écran, parlait oralement et invitait le patient à répondre en cliquant sur l’écran. Dans la seconde condition, l’agent n’était pas présent à l’écran, communiquait uniquement par texte et invitait le patient à répondre en cliquant sur l’écran. L’interaction avec l’agent consistait à dépister l’insomnie chronique et ses comorbidités en administrant les questionnaires ISI, ESS et PHQ-9 aux patients. Ces derniers ont ensuite été invités à évaluer l’acceptabilité de leur interaction avec l’agent grâce aux questionnaires en ligne AES et ETQ permettant la collecte de données quantitatives et à un entretien semi-directif permettant la collecte de données qualitatives. Résultats Nos résultats n’ont montré aucun effet significatif du type de modalité (ECA et texte) sur les scores d’acceptabilité et aucun effet significatif des niveaux d’insomnie et de dépression/anxiété sur les scores d’acceptabilité. Concernant nos données qualitatives, 67,5 % des patients avaient trouvé l’agent tout à fait crédible et 70 % tout à fait bienveillant mais 55 % n’ont pas jugé que l’interaction leur avait été utile. Également, plusieurs grands thèmes ont émergé de l’analyse thématique de ces données qualitatives et ont permis l’émergence de trois pistes d’amélioration concernant les interactions ACA-patients en santé. La première consiste à rendre la tâche la plus transparente possible. La deuxième est de dissocier le discours de l’ACA des questionnaires médicaux. La dernière est d’attribuer à l’ACA un rôle de guide et non plus d’évaluateur ponctuel, afin d’accompagner les patients tout au long de leur parcours utilisateur. Conclusion Dans cette étude, nos analyses quantitatives n’ont montré aucun résultat significatif, nos analyses qualitatives ont donc montré toute leur importance.

Insomnia and excessive daytime sleepiness (EDS) often co-occur, despite involving distinct physiological mechanisms. The KANOPÉE application, a fully autonomous virtual agent that collects sleep-related data and delivers personalised behavioural recommendations over a 17-day period, offers a unique opportunity to better understand this unexpected phenotype. Our primary aim was to characterise these 'sleepy insomniacs', and our secondary aim was to evaluate their response to this digital sleep intervention. Among 21,590 participants, individuals with an Epworth Sleepiness Scale score ≥ 11 and an Insomnia Severity Index score ≥ 15 were classified as 'sleepy insomniacs'. Comorbidities (i.e., obstructive sleep apnea syndrome, restless legs syndrome, depression, and sleep medication use) were first described and then excluded for further analyses. At baseline, 4843 (47.9%) of the 10,114 participants with insomnia also reported EDS and were categorised as 'sleepy insomniacs'. Half of this subgroup reported at least one comorbidity, with depression being the most common. After excluding participants with comorbidities, 3239 individuals (44.3%) remained in the 'sleepy insomniacs' category. These individuals were more likely to experience middle or late insomnia symptoms compared to those with insomnia without EDS but responded similarly to the digital sleep intervention. In conclusion, EDS is highly prevalent among individuals with insomnia symptoms. While comorbidities, particularly depression, explained the co-occurrence in approximately half of the sample, a substantial proportion of participants without comorbidities also exhibited this unexpected phenotype. The association with specific insomnia subtypes highlights the need for further investigation. Notably, a 17-day digital sleep intervention proved effective in treating 'sleepy insomniacs'.

ObjectifÉtudier les interactions réciproques entre comportements (durée, temporalité, régularité) et santé du sommeil (insomnie et somnolence) et santé mentale (anxiété et dépression).MéthodesCohorte numérique de 3000 participants invités à remplir de façon hebdomadaire sur 17jours des autoquestionnaires sur leur santé du sommeil (Epworth et ISI), leur santé mentale (PHQ-9 et PHQ-2) ainsi que des agendas du sommeil qui permettaient de calculer leurs comportements de sommeil (durée, médiane, et index de régularité). L’analyse des interactions utilisait un modèle d’équation structurelle longitudinal.RésultatsLa moyenne d’âge des participants était de 51 ans (68 % de femmes). La durée de sommeil moyenne était de 7h24, la médiane de sommeil était 3:30 du matin, l’index de régularité était à 84/100. Parmi eux, 57 % rapportaient une insomnie (ISI≥15), 41 % une somnolence (ESS≥11), 19 % une anxiété (PHQ-2≥3) et 18 % une dépression (PHQ-9≥15). Les comportements de sommeil étaient associés à la santé du sommeil et la santé mentale en transversale. Le modèle d’équation structurelle longitudinal montrait des associations bidirectionnelles entre comportements et santé du sommeil et santé mentale.ConclusionLa mise en évidence de ces interactions réciproques confirme l’importance de l’évaluation et de la prise en charge conjointe des comportements et de la santé du sommeil et de la santé mentale dans les interventions numériques visant à les modifier. De nouvelles études interventionnelles sont attendues pour confirmer ces résultats en population générale mais également dans des sous-groupes d’individus à risque.