SISTEMI CONVERSAZIONALI EMPATICI: INTEGRAZIONE DI LLM, AFFECTIVE COMPUTING E BIO-SEGNALI IN UNA SOLUZIONE MOBILE PER IL BENESSERE EMOTIVO DELL'UTENTE

L'isolamento sociale, alimentato dalle crescenti interazioni virtuali, sta contribuendo alla diffusione di disturbi quali ansia e depressione, evidenziando la necessità di trovare soluzioni tecnologiche per il supporto emotivo. I sistemi conversazionali tradizionali, tuttavia, faticano a comprendere in maniera completa la sfera emotiva umana, poiché fanno affidamento unicamente sul testo scritto; questo limite li rende inefficaci di fronte alla non linearità emotiva, ovvero nelle situazioni in cui l'utente maschera il proprio malessere. Per superare queste rigidità, questo lavoro di tesi propone lo sviluppo di un'applicazione mobile nativa Android in linguaggio Kotlin basata sul framework ARIEL, capace di coniugare le potenzialità dei Large Language Models (LLM) con i paradigmi dell'Affective Computing. Sfruttando il pattern architetturale Observer e la tecnologia Bluetooth Low Energy, l'applicazione acquisisce in tempo reale i bio-segnali dell'utente tramite dispositivi indossabili: le onde cerebrali mediante il caschetto BCI Muse 2 e la frequenza cardiaca tramite lo smartwatch Fitbit. I flussi biometrici vengono gestiti in background e ripartiti in file locali differenziati in base alla fase del dialogo, per poi essere trasmessi a un server proxy. Qui, un insieme di diversi modelli di Machine Learning (Support Vector Machine) mappa lo stato affettivo reale sui quadranti di Russell, guidando dinamicamente il modello open-weight LLaMA 2 chat nella generazione di risposte empatiche, volte a migliorare e stabilizzare lo stato emotivo dell’utente. La validazione tramite studio pilota ha confermato la stabilità dell'infrastruttura, evidenziando una correlazione tra il dialogo empatico dell'agente e il rilassamento dell'utente, ponendo le basi per future ottimizzazioni on-device.