기술 요약: PSYDEFDETECT에서의 VISHC

문제 정의

텍스트로부터 심리 방어 기제 (PDMs) 를 자동으로 분류하는 작업은 자연어 처리 (NLP) 에 있어 상당한 어려움을 제시합니다. 표준 NLP 작업과 달리, PDM 은 무의식적이고 문맥에 의존적인 과정으로, 명시적인 어휘적 표지보다는 서술의 불일치, 정서적 프레임 전환과 같은 미묘한 단서를 통해 나타납니다. 이러한 암시적 성격은 동일한 표면 텍스트가 의도에 따라 서로 다른 방어 과정을 반영할 수 있게 하여 의미적 모호성을 초래합니다.

이러한 어려움은 PSYDEFCONV 와 같은 기존 데이터셋에서 발생하는 심각한 데이터 부족과 클래스 불균형으로 더욱 악화됩니다. furthermore, 해당 작업에는 임상적 방어 항목에 대응하는 레이블이 없는 보조 레이블 ("방어 없음" 및 "추가 정보 필요") 이 포함되어 있어, 표준 다중 클래스 가정을 위반하고 분포를 왜곡시킵니다. 대규모 언어 모델 (LLM) 이 합성 데이터 증강을 제공하지만, 근거 없는 생성은 유창하지만 이론적으로 타당하지 않은 텍스트 ("방어 기제의 환각") 를 만들어내어 모델의 신뢰성을 저해하는 노이즈를 유발합니다.

방법론

저자들은 이러한 문제를 해결하기 위해 문맥 인식 합성 증강 (CASA) 프레임워크와 하이브리드 특징 융합 아키텍처를 결합하여 제안합니다. 파이프라인은 다음 세 가지 주요 단계로 구성됩니다:

1. 문맥 인식 합성 데이터 증강

표준 문장 재구성과 달리, 본 시스템은 **스트레서 고정 생성 (Stressor-Anchored Generation)**과 이론 기반 프롬프팅을 사용합니다:

• 스트레서 고정: 프롬프트는 대화에서 식별된 구체적인 스트레스 요인 (예: 실직, 거절) 에 고정되어, 생성된 방어 기제가 일반적인 정서적 표현이 아닌 지각된 위협에 대한 현실적인 반응을 반영하도록 합니다.
• 이론 기반 프롬프팅: 프롬프트는 *방어 기제 평가 척도 (DMRS)*의 구조화된 임상적 정의를 활용합니다. 여기에는 방어 기제의 이름, 공식적 정의, 행동 패턴이 포함됩니다. 이는 LLM(Llama-3-8B-Instruct) 이 해당 방어 기제의 이론적 역할을 표현하는 샘플을 생성하도록 유도합니다.
• 품질 관리: "주석자로서의 기계" 필터는 2 차 분류기가 실질적인 일치도 (Cohen's $\kappa \ge 0.60$) 를 달성한 생성 배치만 유지합니다. 소프트 균형 조정 방식은 과적합을 방지하기 위해 소수 클래스의 총 인스턴스 수 (실제 + 합성) 를 500 개로 제한합니다.

2. 이중 도메인 특징 추출

시스템은 각 발화에 대해 두 가지 보완적인 특징 집합을 추출합니다:

• 언어적 휴리스틱: 발화 길이, 1 인칭 대명사 밀도, 통찰력 밀도, 친교적 플래그, 성숙한 대처 플래그, 정서 강도를 포함한 6 가지 경량 특징을 추출하여 표면적 단서를 포착합니다. 이는 방어적이지 않은 응답과 방어적 응답을 구분하는 데 도움이 됩니다.
• DMRS 방어 프로파일: 150 개의 DMRS 지표에서 도출된 임상적으로 근거 있는 표현입니다. NLI 모델은 이러한 지표에 대한 함의 확률을 추정하며, 이를 30 개의 기제 점수로 집계한 후 9 개의 방어 수준에 매핑합니다.

3. 하이브리드 특징 융합 아키텍처

모델은 후기 융합 (late-fusion) 전략을 사용합니다:

• 텍스트 인코더: MentalRoBERTa 는 [스트레서:S|턴:T]로 포맷된 입력을 인코딩하여 문맥과 응답 모두에 기반한 표현을 조건부로 생성하며, 768 차원의 임베딩을 산출합니다.
• 특징 인코더: 휴리스틱 (7 차원) 과 DMRS(30 차원) 특징은 전용 MLP 를 통해 처리되어 각각 32 차원의 벡터를 생성합니다.
• 융합: 세 가지 벡터 (768 + 32 + 32) 는 832 차원의 벡터로 연결된 후, 완전 연결 계층을 거쳐 9 개의 레이블로 분류됩니다.

주요 기여

1. 심리학적 근거 증강: 본 논문은 프롬프팅 시 정의의 품질이 생성 충실도를 직접적으로 지배함을 입증합니다. DMRS 기반 정의를 사용하는 것은 얕은 클래스 설명보다 훨씬 우수한 성능을 보입니다.
2. 임상 특징 공학: 150 개 DMRS 항목 전체에서 구조화된 특징을 언어적 휴리스틱과 통합함으로써, 임상 이론과 신경 분류 간의 간극을 메웠습니다.
3. 강력한 저자원 베이스라인: 이 시스템은 저자원 환경에서 PDM 분류를 위한 경쟁력 있는 베이스라인을 확립하여, 방대한 새로운 인간 주석 데이터셋 없이도 기존 베이스라인을 크게 능가합니다.

실험 결과

실험은 PSYDEFCONV 데이터셋 (BioNLP@ACL 2026 공유 작업) 에서 수행되었습니다.

• 성능 향상: 제안된 시스템은 블라인드 테스트 세트에서 정확도 58.26% 및 매크로-F1 **24.62%**를 달성했습니다. 이는 DMRS CO-PILOT 베이스라인 (정확도: 18.01% $\to$ 58.26%; 매크로-F1: 8.63% $\to$ 24.62%) 에 비해 상당한 개선입니다.
• 증강 스케일링: 성능은 증강 스케일 $\times 2$에서 정점을 찍었으며 (매크로-F1 27.99%), 이는 클래스 커버리지와 합성 노이즈 간의 최적 균형을 나타냅니다. 공격적인 스케일링 ($\times 10$) 은 노이즈 누적로 인해 성능 저하를 초래했습니다.
• 클래스 불균형 문제: 개선에도 불구하고, 모델은 "레이블 7 싱크 효과"를 보였는데, 이는 "고적응" 클래스 (레이블 7) 가 다른 클래스의 오류를 흡수하는 현상입니다. 예를 들어, "신경증적" (레이블 5) 인스턴스의 77% 가 레이블 7 로 잘못 분류되었습니다. 결과적으로 전체 정확도는 높지만, 소수 클래스의 매크로-F1 은 여전히 낮습니다 (8 개 클래스 중 6 개 클래스에서 0.30 미만).

의의 및 한계

본 논문은 클래스 정의의 임상적 구체성이 이 분야에서 합성 증강 효과의 주요 동인이라고 주장합니다. DMRS 이론에 근거한 생성을 통해 시스템은 근거 없는 LLM 접근법보다 데이터 부족 문제를 성공적으로 완화했습니다.

그러나 저자들은 시스템의 임상적 준비도에 대해 겸손한 입장을 유지합니다:

• 증강 한계: 다수 클래스 (레이블 7) 가 인접 클래스와 높은 언어적 중복을 공유할 때, 단순한 개수 균형 조정은 불충분합니다.
• 시간적 맹점: 현재 턴 단위 모델링은 여러 대화 턴에 걸쳐 발생하는 방어 기제의 전환을 포착하지 못합니다.
• 타당성 제약: "주석자로서의 기계" 필터는 레이블 일관성을 보장하지만, 임상적 타당성을 보장하지는 않습니다. 저자들은 이 시스템이 전문가 검토 없이 진단 도구로 사용되어서는 안 된다는 점을 강조하며 연구용 프로토타입임을 명시합니다.
• 작업 모호성: 레이블 0 ("방어 없음") 과 8 ("추가 정보 필요") 은 DMRS 지표 구조가 없어 현재 프레임워크 내에서 효과적으로 합성 및 분류하기 어렵습니다.

향후 연구는 시간적 변동성과 다수 클래스 편향을 해결하기 위해 제약 기반 디코딩, 인간 - 루프 검증, 대화 단위 모델링을 포함할 것으로 제안됩니다.