本研究では,ユーザー擬人化エージェント間の音声対話場面を対象に,ユーザが対話内容に対し難しいと感じていたか否か("難/易"),興味をもっていたか否か("興味/退屈")を,そのユーザの非言語動作(視線,表情,姿勢,手振り)から推定する処理の実現を目指す.一般に,音声対話では対話の内容が決定・伝達されるまでに一定の時間経過を要するため,そのような対話内容に対する難/易等の心的状態も一定の時間区間に対して定義される.一方,こうした時間区間の中では,話者/聴者の交代や対話の文脈の変化といった状況変化が頻繁に生じ,一つひとつの状況が対話全体の中で果たす役割の違いに応じて,各瞬間での心的状態と非言語動作との関係が多様に変化する.このため,各瞬間における非言語動作を特徴量として時間区間ごとに定義される難/易や興味/退屈を推定することは難しい.そこで本研究では,各瞬間ごとではなく時間区間ごとに定義される量(具体的には各種非言語動作の表出頻度)を特徴量として難/易及び興味/退屈を推定することを提案する.提案方法の有効性を確かめるために実験を行った結果,約72%の推定精度が得られた.