심리 상담사들은 환자가 "왜 이렇게 힘들어하는지"를 이해할 때, **'5P 프레임워크'**라는 도구를 사용합니다.
Predisposing (선천적 요인): 태어날 때부터 가진 취약점 (예: 유전적 성향)
Precipitating (촉발 요인): 최근의 사건 (예: 실직, 이별)
Perpetuating (유지 요인): 문제를 계속 악화시키는 행동 (예: 술로 스트레스 풀기)
Presenting (주요 증상): 현재 보이는 문제 (예: 불면증, 우울감)
Protective (보호 요인): 문제를 막아주는 힘 (예: 친구, 가족)
지금까지의 방식: 상담사들은 환자가 한 말 (대화 기록) 을 읽어가며 이 5 가지 요소를 찾아내고, 화살표를 그려 "A 가 B 를 일으켰고, B 가 C 를 만들었다"는 식의 연결 지도를 직접 그렸습니다. 문제점: 이는 마치 거대한 퍼즐을 혼자서 수작업으로 맞추는 것과 같습니다. 시간이 너무 오래 걸리고, 상담사마다 퍼즐 조각을 연결하는 방식이 달라서 지도 모양이 제각각이었습니다.
🤖 2. 해결책: 'InsightFlow'라는 AI 비서 등장
연구팀은 **LLM(거대 언어 모델)**을 활용해서 이 퍼즐 맞추기 작업을 대신 해주는 **'InsightFlow'**라는 시스템을 만들었습니다.
어떻게 작동할까요? AI 는 상담 기록을 읽으면서 **"여기서 환자가 어떤 증상을 호소했지?", "어떤 사건이 계기가 되었지?"**를 찾아냅니다. 그리고 "A 가 B 의 원인일까?"라고 스스로 질문하며 화살표를 그립니다.
비유하자면: AI 는 수천 권의 심리학 책을 읽은 초고속 비서입니다. 상담사가 말한 내용을 듣고, "아, 이 환자는 어릴 적 트라우마 (선천적) 가 최근의 실직 (촉발) 과 만나서 불면증 (증상) 을 만들고 있구나!"라고 빠르게 파악해서 지도를 그려줍니다.
📊 3. 결과: AI 가 만든 지도는 인간과 비슷할까?
연구팀은 46 명의 상담 기록을 가지고 실험을 했습니다. 하나는 AI 가 그렸고, 다른 하나는 실제 전문가들이 그렸습니다.
비교 결과: AI 가 그린 지도와 전문가가 그린 지도는 구조적으로 매우 비슷했습니다.
유사도: 두 전문가가 같은 환자를 보고 그은 지도가 서로 45% 정도 비슷했다면, AI 가 그린 지도는 그중 한 전문가와 38~46% 정도로 비슷했습니다. 즉, AI 는 인간 전문가와 동급의 능력을 보였습니다.
의미: AI 가 중요한 핵심 요소 (증상, 원인 등) 를 놓치지 않고 잘 찾아냈다는 뜻입니다.
🕸️ 4. 흥미로운 차이점: "사슬" vs "그물"
하지만 AI 와 인간은 지도를 그리는 스타일에서 재미있는 차이를 보였습니다.
인간 전문가 (사슬형): 인간은 "A → B → C"처럼 가장 중요한 핵심 원인 하나를 중심으로 깔끔하게 연결하는 경향이 있습니다. 불필요한 연결은 잘라내어 간결하게 만듭니다. (효율성 중시)
AI (그물형): AI 는 모든 가능한 연결을 다 시도해 봅니다. 그래서 지도가 조금 더 촘촘하고 그물처럼 복잡하게 그려졌습니다.
예시: 인간은 "스트레스 → 술"만 그렸다면, AI 는 "스트레스 → 술", "스트레스 → 수면 부족", "술 → 수면 부족"까지 모두 그립니다.
장점: 인간이 놓칠 수 있는 숨은 연결고리를 찾아낼 수 있습니다.
단점: 너무 많은 연결이 있어서 지도가 복잡해질 수 있습니다.
🌟 5. 결론: AI 는 상담사를 대체하는 게 아니라 '도구'가 됩니다
이 연구의 핵심 메시지는 다음과 같습니다.
AI 는 훌륭한 조수입니다: AI 가 만든 지도는 전문가가 만든 것과 비교해도 충분히 신뢰할 수 있습니다. 상담사들이 매번 처음부터 지도를 그리는 수고를 덜어줄 수 있습니다.
시간 절약: 상담사는 AI 가 그려준 초안을 보고, 중요한 부분만 수정하면 되므로 훨씬 빠르게 환자를 이해할 수 있습니다.
새로운 발견: AI 가 그리는 '그물형' 지도는 인간이 놓친 새로운 인과관계를 발견하게 해줄 수도 있습니다.
한 줄 요약:
"InsightFlow 는 상담 기록을 읽어서 환자의 문제를 연결하는 지도를 자동으로 그려주는 AI 비서입니다. 인간 전문가와 비슷하게 잘 그리며, 때로는 인간이 놓친 숨은 연결고리까지 찾아내어 상담사의 작업을 도와줍니다."
이 도구가 발전하면, 앞으로 심리 상담은 더 빠르고 정확하게 이루어질 수 있을 것입니다.
1. 연구 배경 및 문제 정의 (Problem)
임상 사례 구성 (Case Formulation) 의 어려움: 정신건강 분야에서 환자의 증상, 병력, 심리사회적 요인을 구조화하여 인과 관계 모델 (인과 그래프) 로 만드는 과정은 치료 계획 수립에 필수적입니다. 특히 '5P 프레임워크' (Presenting, Predisposing, Precipitating, Perpetuating, Protective factors) 를 기반으로 한 인과 그래프는 환자를 이해하는 데 핵심적입니다.
기존 방식의 한계: 수동으로 치료 세션 녹취록을 분석하여 인과 그래프를 작성하는 것은 시간이 많이 소요되며, 전문가 간 주관성 (Subjectivity) 이 강해 일관성이 떨어집니다. 연구에 따르면 훈련된 평가자 간의 일관성 (Cohen's kappa) 이 0.33~0.45 로 낮게 나타납니다.
목표: 대규모 언어 모델 (LLM) 을 활용하여 비정형적인 환자 - 치료사 대화 텍스트에서 자동으로 5P 프레임워크에 부합하는 인과 그래프를 생성하고, 이를 전문가가 만든 그래프와 비교하여 임상적 유효성을 검증하는 것입니다.
2. 방법론 (Methodology)
A. 데이터셋 및 준비
데이터: MentalCLOUDS 코퍼스에서 추출한 46 개의 정신건강 상담 초입 (intake) 세션 녹취록 사용.
기준 데이터 (Ground Truth) 구축: 2 명의 임상 전문가가 5P 프레임워크에 따라 각 녹취록을 분석하여 수동으로 인과 그래프를 작성했습니다.
프로세스: (1) 주요 증상 (Presenting) 추출 → (2) 유발 요인 (Precipitating) 식별 → (3) 소인성 요인 (Predisposing) 추적 → (4) 유지 요인 (Perpetuating) 추가 → (5) 인과 관계 (Directed Edges) 연결 및 반복 정제.
B. InsightFlow 시스템 (자동화 파이프라인)
LLM( Llama-3 8B ) 을 기반으로 한 2 단계 반복적 프롬프팅 방식을 사용했습니다.
요인 추출 (Node Extraction):
LLM 을 '임상 심리학자'로 프레이밍하여 대화 내용에서 5P 범주에 해당하는 요인들을 JSON 형식으로 추출하도록 지시.
인과 관계 연결 (Edge Verification):
추출된 모든 노드 쌍에 대해 "첫 번째 노드가 두 번째 노드를 인과적으로 유발하는가?"를 질문하는 2 단계 피드백 프롬프팅 수행.
LLM 이 'TRUE'라고 판단할 경우에만 방향성 있는 에지를 그래프에 추가하여 불필요한 연결을 필터링.
전체 대화 컨텍스트를 참조하여 인과성을 판단하도록 설계.
C. 평가 지표
자동화 메트릭:
구조적 유사성: NetSimile (그래프 요약 특성 비교).
의미적 유사성: SBERT 임베딩을 활용한 노드 및 에지의 코사인 유사도.
그래프 이론 지표: 밀도 (Density), 군집화 계수 (Clustering), 중심성 (Centrality), 커뮤니티 탐지 (Leiden, Girvan-Newman 등).
전문가 평가:
5 명의 임상 전문가가 6 가지 차원 (완전성, 일관성, 구체성, 노드/에지의 타당성, 유용성) 을 5 점 척도로 블라인드 평가.
3. 주요 기여 (Key Contributions)
벤치마크 구축: 5P 프레임워크에 기반한 46 개의 임상 세션에 대한 수동 주석 데이터셋 및 기준 인과 그래프 생성.
새로운 LLM 프롬프팅 기법: 요인 추출과 인과성 검증을 분리하고 피드백을 주는 반복적 (Iterative) 인과 그래프 생성 파이프라인 개발.
포괄적 비교 분석: 계산적 메트릭 (그래프 유사도) 과 임상 전문가의 정성적 평가를 결합하여 자동화 시스템의 성능을 다각도로 검증.
구조적 차이 분석: 인간 전문가가 만든 '사슬형 (Chain-like)' 그래프와 LLM 이 생성한 '웹형 (Web-like)' 그래프 간의 구조적, 위상적 차이 및 유사성을 정량화.
4. 결과 (Results)
A. 유사성 및 정확도
구조적 유사성: LLM 생성 그래프와 인간 주석 그래프 간의 NetSimile 점수는 0.38~0.46 범위였으며, 이는 두 인간 평가자 간의 유사도 (0.45) 와 거의 동일한 수준이었습니다.
의미적 유사성: 노드와 에지의 의미적 유사도 (Cosine Similarity) 는 평균 0.70 이상으로 높게 나타나, LLM 이 인간과 동일한 핵심 개념을 포착했음을 시사합니다.
전문가 평가: LLM 생성 그래프는 평균 **3.2~3.6 점 (5 점 만점)**을 받아 인간이 만든 그래프와 유사한 수준으로 '적용 가능 (Acceptable)'한 품질로 평가받았습니다.
B. 구조적 특성 비교
밀도와 군집화: LLM 그래프는 인간 그래프보다 **밀도 (0.29 vs 0.25)**와 **군집화 (Triangle count 1.06 vs 0.40)**가 더 높았습니다. 이는 LLM 이 모든 가능한 요인 쌍을 평가하여 단축 경로 (shortcut) 를 추가하는 경향이 있기 때문입니다.
인과 흐름: 인간 평가자는 핵심 문제에 집중하여 사슬형 (Chain-like) 구조를 선호하는 반면, LLM 은 더 풍부하고 네트워크형 (Web-like) 구조를 생성했습니다.
중심성: LLM 그래프는 인과 영향력이 더 고르게 분산되어 있었으며 (높은 Betweenness/Closeness), 인간 그래프는 소수의 핵심 노드 (Hub) 에 집중되는 경향이 있었습니다.
커뮤니티: 두 경우 모두 5P 범주에 따라 논리적으로 그룹화되는 커뮤니티 구조를 보였습니다.
5. 의의 및 결론 (Significance & Conclusion)
임상적 유효성: LLM 은 전문가의 인과 모델링 능력과 비교했을 때, 구조적, 의미적으로 유의미한 수준의 결과를 생성할 수 있음을 입증했습니다. 생성된 그래프는 인간 전문가 간의 자연스러운 변이 범위 내에 속합니다.
보조 도구로서의 가치: InsightFlow 는 치료사가 사례 구성을 빠르게 개요화하고, 환자와의 대화에서 직접적으로 도출된 요인을 추적 가능하게 (Traceable) 만들어 투명성을 높여줍니다. 이는 치료 계획 수립을 지원하고 치료 진행을 모니터링하는 데 유용한 도구입니다.
한계 및 향후 과제:
시간적 순서 부재: 현재 모델은 인과 관계의 시간적 순서 (Temporal ordering) 를 명시하지 못함.
중복성: 유사한 요인이 중복 노드로 생성되는 경우가 있음.
향후 방향: 시간적 추론 능력 강화, 중복 제거 알고리즘 도입, 더 다양한 임상 데이터셋을 통한 검증 및 실제 임상 현장에서의 피드백 루프 구축이 필요함.
결론적으로, InsightFlow 는 LLM 을 활용하여 정신건강 분야의 복잡한 내러티브를 구조화된 인과 모델로 변환하는 데 성공적인 첫걸음을 내디뎠으며, 이는 임상 의사결정 지원 시스템 (CDSS) 의 발전 가능성을 보여줍니다.