Train the Trainers -- An Agentic AI Framework for Peer-Based Mental Health Support in Battlefield Environments

기술 요약: 전투 환경에서 동료 기반 정신 건강 지원을 위한 에이전트 AI 프레임워크인 트레이너-트레이너 (Train-the-Trainers)

1. 문제 제기

현대 군사 작전은 군인을 지속적인 심리적 스트레스에 노출시켜 급성 반응, 외상 후 스트레스 증상 및 기타 정신 건강 문제를 초래합니다. 미국 국방부 (DoD) 는 증거 기반 치료를 제공하지만, 전방 배치 및 분쟁 환경에서는 물류 제약, 작전 템포, 간헐적인 연결성으로 인해 훈련된 정신 건강 전문가에 대한 접근이 극도로 제한됩니다. 결과적으로 초기 단계의 고통을 겪는 군인들은 종종 후방 의료 시설로 이송됩니다. 이러한 개입 지연은 부대 결속을 해치고 작전 효율성을 저하시키며 장기적 위험을 증가시킵니다. 기존 동료 지원 모델은 척박한 환경에서 일관성, 안전성 및 윤리적 감독을 보장하는 데 필요한 구조화된 지침이 부족하여, 종종 동료 촉진자가 증상 심각도를 평가하거나 적절한 에스컬레이션 경로를 결정할 수 있는 도구가 없는 상태로 방치됩니다.

2. 방법론

본 논문은 에이전트 AI 플랫폼으로 강화된 트레이너-트레이너 (Train-the-Trainers) 프레임워크를 제안합니다. 이 시스템은 인간-인-루프 (human-in-the-loop) 통제를 유지하면서 구조화된 의사결정 지원을 제공하도록 설계되어, 공기가 차단된 (air-gapped) 환경이나 저연결성 환경에서 작동합니다.

핵심 아키텍처:

• 인간 개체 (동료 트레이너): 치료를 완료하고 복귀한 회복된 군인입니다. 이들은 인간 감독자로서 상호작용을 시작하고, AI 권장 사항을 해석하며, 개입 또는 에스컬레이션에 관한 최종 결정을 내리는 책임을 집니다. 이들은 임상 진단을 수행하지 않습니다.
• AI 에이전트 컨소시엄: 인간 감독 하에 작동하는 전문화된 AI 에이전트들의 모음:
  • 평가 에이전트: 구조화된 프레임워크를 사용하여 수면 장애, 감정 조절 장애 등 관찰 가능한 심리적 지표의 비임상적 평가를 지원하며, 심각도 구간과 위험 플래그를 생성합니다.
  • 동료 개입 가이드 에이전트: 평가 결과에 기반하여 그라운딩, 호흡 조절과 같은 비임상적 안정화 기법을 제안합니다.
  • 작전 제약 에이전트: 작전 태세, 위치, 자원 가용성을 통합하여 전투 환경 내에서 권장 사항이 실행 가능하도록 보장합니다.
  • 에스컬레이션 및 의뢰 에이전트: 전문 치료의 임계값을 식별하고 구조화된 인수인계 요약을 생성하는 것을 지원합니다.
  • 문서화 및 사후 행동 에이전트: 상호작용의 최소한의 개인 정보 보호 기록을 캡처합니다.
  • 교육 및 시뮬레이션 에이전트: 기술 유지를 위한 시나리오 기반 연습을 제공합니다.
  • 파인튜닝 및 지속적 학습 에이전트: 오프라인 모델 업데이트를 위해 익명화된 데이터를 집계합니다.

추론 메커니즘:
견고성과 설명 가능성을 보장하기 위해, 이 시스템은 합의 기반 추론 메커니즘을 사용합니다.

1. 모델 컨소시엄: 여러 개의 파인튜닝된 대규모 언어 모델 (LLM) (구체적으로 Llama-3, Mistral, Qwen) 이 동일한 입력을 독립적으로 처리합니다.
2. 추론 지향 모델: 전용 추론 모델 (GPT-OSS) 이 파인튜닝된 모델들의 출력을 평가, 조정 및 종합합니다.
3. 출력: 시스템은 단일 모델 편향을 완화하고 인간 검토를 위한 투명한 근거를 제공하기 위해 해석 가능한 근거와 함께 통합된 권장 사항을 생성합니다.

구현 세부 사항:

• 오케스트레이션: 구조화된 에이전트 간 통신을 위해 OpenAI Agents SDK 와 Model Context Protocol (MCP) 을 사용하여 구축되었습니다.
• 파인튜닝: Qwen2.5-7B-Instruct 기본 모델에서 4 비트 양자화 (QLoRA) 와 함께 저랭크 어댑터 (LoRA) 를 활용했습니다. 학습 데이터셋은 주요 우울장애, 범불안장애, 공황장애, PTSD, 양극성 장애 I 형 등 DSM-5 다섯 가지 범주를 다루는 500 개의 합성 정신의사 - 환자 대화로 구성되었습니다.
• 배포: 지속적인 네트워크 연결 없이 로컬 하드웨어에서 실행되도록 설계되었으며, 업데이트는 안전한 오프라인 파이프라인을 통해 수행됩니다.

3. 주요 기여

1. 프레임워크 수립: 회복된 군인을 동료 촉진자로 활용하여 전투 환경 정신 건강 지원에 특화된 새로운 트레이너-트레이너 모델의 수립.
2. 에이전트 AI 아키텍처: 인간 감독 하의 다중 에이전트 시스템 설계로, 전문화된 의사결정 지원으로 동료 트레이너를 강화하면서도 인간 권한을 엄격히 유지.
3. 합의 기반 추론: 파인튜닝된 LLM 컨소시엄과 추론 지향 모델을 활용한 인간 -AI 협업 워크플로우가 자원 제약 환경에서 응답 지연을 줄이고 평가의 신뢰성을 향상시키는 방법 입증.
4. 기능적 프로토타입: 맥도널드 미 육군 보건 센터와의 협력으로 개발된 작동 프로토타입의 구현 및 평가로, 공기가 차단된 환경에서의 실현 가능성 입증.

4. 결과

본 논문은 평가 에이전트와 파인튜닝 과정의 평가를 제시합니다:

• 파인튜닝 성능: Qwen2.5-7B-Instruct 모델을 500 개 샘플 (학습 400 개, 검증 50 개, 테스트 50 개) 데이터셋으로 파인튜닝했습니다. 학습은 180 스텝 (NVIDIA A100 GPU 에서 약 8.24 분) 에서 효과적으로 수렴했으며 과적합은 유의미하게 발생하지 않았습니다. LoRA 구성은 전체 모델 파라미터의 0.53%(40.37M 개의 학습 가능 파라미터) 만 필요했습니다.
• 예측 정합성: 50 개 샘플의 홀드아웃 테스트 세트에서 파인튜닝된 컨소시엄은 참조 DSM-5 라벨에 대해 **전체 정합성 정확도 88.0%**를 달성했습니다.
  • 범불안장애, 양극성 장애 I 형, 공황장애는 100% 의 완벽한 정합성을 달성했습니다.
  • 주요 우울장애 (62.5%) 와 PTSD(57.1%) 는 더 높은 증상 중복과 발현 변이성으로 인해 낮은 정확도가 관찰되었습니다.
• 정성적 개선: 파인튜닝 후, 모델들 (Llama-3, Mistral, Qwen2) 은 종종 장황하고 구조가 느슨했던 기존 베이스라인 모델들과 비교하여 더 간결하고 구조화되며 해석 가능한 평가 요약을 생성했습니다.
• 합의 추론: 추론 지향 LLM(GPT-OSS) 의 평가는 다양한 모델 출력을 종합하고 불일치를 해결하며 투명한 근거를 제공할 수 있는 능력을 확인시켜 주어 시스템의 견고성과 신뢰성을 향상시켰습니다.

5. 중요성 및 주장

본 논문은 이 작업이 전투 환경에서 동료 주도 정신 건강 지원을 위한 에이전트 AI 의 첫 번째 적용이라고 주장합니다. 그 중요성은 다음과 같습니다:

• 병력 증배: 전문 임상가가 이용 불가능한 척박한 환경에서 에이전트 AI 가 정신 건강 지원을 위한 병력 증배 요소로 작용할 수 있음을 입증.
• 고위험 환경의 책임 있는 AI: 인간-인-루프 통제, 설명 가능성 및 윤리적 경계를 우선시하는 프레임워크 수립. 시스템은 명시적으로 자율적 진단이나 개입을 피하고 AI 를 엄격히 의사결정 지원 도구로 위치시킴.
• 작전 실현 가능성: 로컬 실행과 오프라인 파인튜닝을 통해 복잡한 다중 에이전트 AI 시스템이 공기가 차단된 저연결성 환경에 배포될 수 있음을 증명.
• 치료의 연속성: 필요 시점에서 초기 정보에 기반한 개입을 가능하게 함으로써 불필요한 이송을 줄이고 증상 악화를 방지하며 치료의 연속성을 개선하는 경로 제공.

저자들은 프로토타입이 기술적 실현 가능성을 보여주지만, 실제 작전 조건 하의 성능을 평가하기 위해 현장 생성 데이터와 종단 연구를 활용한 더 광범위한 평가가 필요하다고 결론지었습니다. 향후 작업은 생리학적 신호 통합과 원격 임상가와의 조정 확대를 탐구할 것입니다.