기술 요약: coTherapist

문제 정의

정신 건강 전문가(MHx)의 인력 부족과 수요 증가로 인해 정신 건강 관리 분야는 심각한 압박에 직면해 있으며, 이를 지원하기 위한 지능형 시스템이 절실히 필요합니다. 거대 언어 모델(LLM)은 조언을 제공하는 데 유망함을 보여주지만, 나이브한 구현 방식은 도움이 되지 않거나, 정형화된 대본 같거나, 혹은 해로운 출력을 생성하는 결과를 초래하곤 합니다. 또한, 일반적인 소형 언어 모델(SLM)은 자원 효율적임에도 불구하고, 효과적인 치료적 보조에 필요한 관계적 미묘함, 정교한 공감, 그리고 구조화된 임상적 추론을 포착하는 데는 대개 실패합니다. 핵심 과제는 거대 파운데이션 모델의 계산 오버헤드나 근거 없는 생성으로 인한 환각 위험 없이, 전문가의 치료적 행동(특히 어조, 개념적 추론, 안전성 측면)을 모방할 수 있는 경량화되고 배포 가능한 모델을 설계하는 것입니다.

방법론

저자들은 10억 파라미터 규모의 SLM(구체적으로 LLaMA 3.2-1B-Instruct)을 임상적으로 근거 있는 어시스턴트로 변환하기 위해 설계된 통합 프레임워크인 coTherapist를 소개합니다. 이 방법론은 도메인 적응, 스타일 정렬, 검색 증강, 그리고 에이전트 기반 추론을 통합하는 다단계 파이프라인을 채택합니다.

1. 데이터셋: 심리치료 지식 코퍼스 (PsyKC)

모델을 근거 기반 실무에 접목시키기 위해 8억 개 이상의 토큰으로 구성된 큐레이션된 코퍼스가 구축되었습니다. 이 데이터셋은 다음을 포함합니다:

• 311개의 치료 매뉴얼 및 정신의학 서적 (CBT, DBT, ACT 등 포함).
• 250개의 강의 노트 및 교육 유인물.
• 552개의 대학원 상담 프로그램 강의 영상 스크립트.
• 121개의 진단 및 실무 가이드라인.
  각 항목에는 치료 양식(modality) 및 특정 장애에 대한 메타데이터가 부착되어 있어, 고위험 질환(예: 우울증, 불안, 트라우마, 성격 장애)에 대한 범위를 보장합니다.

2. 모델 학습 파이프라인

프레임워크는 베이스 모델을 정교화하기 위해 여러 단계의 점진적인 과정을 거칩니다:

• 도메인 적응형 사전 학습 (DAP): 도메인 특화 용어와 임상적 정밀도를 주입하기 위해 PsyKC 코퍼스에 대한 비지도 지속 사전 학습을 수행합니다.
• 스타일 정로를 위한 LoRA 미세 조정: 인간다운 치료적 어조, 공감, 1인칭 커뮤니케이션에 모델을 정렬하기 위해 MentalCLOUDS 벤치마크의 치료 대화 턴에 Low-Rank Adaptation (LoRA)을 적용합니다.
• 자기 지시 튜닝 (Self-Instruction Tuning): 구조화된 가이드와 추론 능력을 강화하기 위해 약 24k개의 치료 특화 지시어 쌍(instruction pairs)을 생성합니다.
• 검색 증강 생성 (RAG): FAISS를 이용한 임베딩 검색을 사용하는 RAG 레이어를 통합합니다. 추론 시, PsyKC에서 가장 관련성이 높은 상위 3개의 구절을 검색하여 컨텍스트에 추가함으로써 응답을 권위 있는 출처에 근거하게 하고 환각을 줄입니다.

3. 에이전트 기반 추론 프레임워크

최종 coTherapist 반복 모델은 RAG가 강화된 모델에 5단계 에이전트 파이프라인(알고리즘 1)을 추가하여 기능을 확장합니다:

1. 플래너 (Planner): 사용자 쿼리를 구조화된 임상 계획으로 변환하여, 주요 관심사와 관련 구성 요소를 식별합니다.
2. 리트리버 (Retriever): 계획을 바탕으로 컨텍스트를 가져옵니다.
3. 리즈너 (Reasoner): 임상적 응답 초안을 작성하기 위해 내부적인 사고 사슬(Chain-of-Thought, CoT) 분석을 수행합니다.
4. 크리틱/셀프 리파이너 (Critic/Self-Refiner): 초안을 안전성, 개념적 정확성, 프레임워크 충실도 측면에서 평가하며, 필요한 경우 정교화 루프를 트리거합니다.
5. 응답 생성기 (Response Generator): 내부 추론 흔적을 제거하여 세련되고, 지지적이며, 맥락에 맞게 조정된 최종 출력을 생성합니다.

주요 기여

1. 심리치료 지식 코퍼스 (PsyKC): SLM이 절차적 단계와 개념적 임상 논리 모두에 근거할 수 있도록 설계된, 교과서, 강의 스크립트, 가이드라인을 포함하는 8억 개 이상의 토큰으로 구성된 특화 데이터셋입니다.
2. coTherapist 프레임워크: 지속 사전 학습, LoRA 미세 조정, RAG, 그리고 에이전트 기반 추론을 결면하여 자원이 제한된 환경에서 전문가 수준의 행동을 달성하도록 설계된 10억 파라미터 모델을 위한 새로운 아키텍처입니다.
3. T-BARS (Therapist Behavior Rating Scale): 행동 스타일 정렬, 개념적 추론, 관계적 역량, 기술 실행의 네 가지 축을 평가하는 새로운 평가 프레임워크입니다. 이는 표준 NLP 지표를 넘어 치료사다움을 측정하기 위해 LLM 기반 판정자와 심리 측정 프로파일링(Big Five, MBTI, MMPI-2)을 활용합니다.

결과

평가는 면허를 소지한 임상의들이 큐레이션한 100개 질문 벤치마크를 통해 자동 지표, T-BARS, 심리 측정 분석 및 20명의 도메인 전문가에 의한 인간 평가로 진행되었습니다.

• 자동 지표: co-Therapist는 BLEU, METEOR, BERTScore, BLEURT, InfoLM 전반에서 가장 높은 점수를 기록하며 베이스 모델 및 중간 단계 변체(예: TG-RAG)를 능가했습니다.
• T-BARS 성능: coTherapist는 베이스라인보다 유의미하게 높은 점수를 기록하며 인간 수준의 성능에 근접했습니다.
  • 베이스 모델: 평균 점수 ~1.6.
  • TG-RAG: 평균 점수 ~2.5.
  • coTherapist: 평균 점수 ~3.2 (인간 평균: 3.5).
  • 특히 행동 스타일 정렬(3.3)과 관계적 역량(3.4)에서 주목할 만한 개선이 있었습니다.
• 심리 측정 프로파일링: 모델은 치료적 특성과 일치하는 성격 프로파일을 보였습니다(높은 친화성 0.78, 성실성 0.72, 낮은 신경증 0.29). 모델은 "INFJ"(상담가) 유형으로 분류되었습니다.
• 인간 평가: 전문가들은 모든 기준에서 coTherapist가 TG-RAG 베이스라인보다 유의미하게 높다고 평가했습니다:
  • 정확성: 4.2 vs 2.1.
  • 안전성 및 신뢰성: 3.8 vs 2.6.
  • 명료성: 4.1 vs 2.2.
    전문가들은 이 시스템을 프로토콜 회상 및 슈퍼비전 스타일의 성찰이 가능한 "잘 훈련된 수련의"라고 묘사했습니다.

의의 및 주장

본 논문은 소형 언어 모델도 전문가와 같은 행동을 보이도록 엔지니어링될 수 있음을 주장하며, 디지털 정신 건강 도구를 위한 확장 가능한 경로를 제시합니다. coTherapista는 원시 성능보다 행동적 충실도를 우선시함으로써, 임상적 안전성과 공감을 유지하면서도 자원이 제한된 환경(예: 엣지 디바이스, <2GB VRAM)에 배포될 수 있음을 입증합니다.

이 시스템은 명시적으로 MHx를 위한 지원 도구로 위치하며, 대체재가 아닙니다. 이는 프로토콜 회상, 사례 개념화, 그리고 슈퍼비전 스타일의 성찰을 돕기 위해 설계되었습니다. 저자들은 현재 이 시스템이 저위험 슈퍼비전에 국서되어 있으며, 주의 깊은 감독 없이 직접적인 클라이언트 상호작용이나 위기 관리에 사용되어서는 안 된다는 점을 강조합니다. 본 연구는 도메인 특화 데이터, 검색 증강, 그리고 에이전트 기반 추론을 결합함으로써 SLM이 일반적인 챗봇과 숙련된 치료적 어시스턴트 사이의 간극을 메울 수 있음을 시사합니다.