Sentiment Analysis of Thought-Related Language in the Context of Cognitive Disorders Using Machine Learning, Transformer-based Architecture and Large Language Models

인간의 정신은 신념, 걱정, 희망이 끊임없이 이어지는 내레이션이자, 우리가 세상을 경험하는 방식을 형성하는 지속적인 논평의 흐름입니다. 심리학자들은 오랫동안 사람들이 자신에게 어떻게 말하는지가 중요하다는 점을 이해해 왔습니다. 즉, 내부의 대화가 가혹하거나 왜곡될 때, 그것이 개인을 불안과 우울의 순환 속에 가둘 수 있다는 것입니다. 수십 년 동안 이러한 해로운 사고 패턴을 식출하는 데에는 환자의 언어적 뉘앙스를 주의 깊게 듣고 해석할 수 있는 숙련된 전문가가 필요했습니다. 오늘날 사람들이 소셜 미디어에 자신의 내면을 더 공개적으로 공유함에 따라, 새로운 질문이 등장했습니다. 컴퓨터가 이 디지털 생각들을 전문가와 같은 정성으로 읽어낼 수 있을 것인가 하는 점입니다. 계산 정신 건강학(computational mental health)이라 불리는 이 분야는 텍스트에서 정서적 고통을 알리는 패턴을 감지하기 위해 언어 분석 도구를 사용하는 것을 목표로 합니다. 과제는 일시적인 기분 저하와 뿌리 깊은 부정적인 사고방식을 구별하는 것이며, 이는 단순히 단어의 개수를 세는 것이 아니라 말의 무게를 이해해야 하는 작업입니다.

이슬람 기술 대학교(Islamic University of Technology)의 연구진은 온라인에 표현된 생각의 정서적 톤을 분류하는 시스템을 구축함으로써 이 질문에 답하기 위한 중요한 발걸음을 내디뎠습니다. 그들은 단순히 컴퓨터에게 문장이 행복한지 슬픈지를 추측하라고 요구한 것이 아니라, 사람이 자신의 현실을 어떻게 해석하는지를 드러내는 '생각 관련' 언어에 초점을 맞추었습니다. 이를 위해 그들은 레딧(Reddit), 트위터(Twitter), 페이스북(Facebook)과 같은 소셜 미디어 플랫폼에서 156,785개의 게시물을 수집했습니다. 그들은 수백만 개의 단어를 긍정과 부정이라는 두 가지 범주로 분류할 방법이 필요했습니다. 먼저, 그들은 소셜 미디어 특유의 속어나 비격식적인 어조를 이해하도록 설계된 특수 컴퓨터 프로그램을 사용하여 각 게시물에 초기 라벨을 부여했습니다. 이 라벨의 신뢰성을 확보하기 위해, 그들은 두 명의 공인 심리학자를 투입했습니다. 전문가들은 무작위로 추출된 500개의 게시물을 검토하며, 컴퓨터의 초기 예측이 인간의 판단과 일치하는지 점수로 평가했습니다. 전문가들은 컴퓨터의 분류와 대다수의 경우 일치하였으며, 이는 해당 데이터셋이 건설적인 사고와 파괴적인 사고의 차이를 인식하도록 기계를 훈련시키기에 충분히 신뢰할 만하다는 것을 확인해 주었습니다.

확보된 깨끗하고 검증된 데이터셋을 바탕으로, 연구진은 어떤 모델이 이 분류 작업을 가장 잘 수행할 수 있는지 확인하기 위해 다양한 컴퓨터 모델을 테스트했습니다. 그들은 특정 단어와 그 빈도를 찾는 단순하고 효율적인 계산기와 같은 전통적인 방식부터 시작했습니다. 또한, 문장 속 단어들의 맥락과 관계를 파악하여 마치 인간 독자가 개별 어휘가 아닌 이야기 전체의 의미를 파악하는 것처럼 작동하는 더 복잡한 시스템인 첨단 '트랜스포머(transformer)' 모델들도 테스트했습니다. 마지막으로, 인간과 유사한 텍스트를 생성하도록 설계된 강력한 유형의 인공지능인 거대 언어 모델을 사용하여, 특정 지침에 따라 생각을 분류하도록 요청했습니다. 결과는 더 크고 복잡한 모델이 항상 더 나을 것이라고 가정하는 이들에게 놀라움을 안겨주었습니다. 전통적이고 더 단순한 모델들이 오히려 정교한 모델들보다 더 뛰어난 성능을 보였습니다. 로지스틱 회귀(logistic regression)라고 알려진 특정 유형의 단순 알고리즘은 거의 93%의 정확도로 생각의 정서를 올바르게 식별하며 가장 높은 정확도를 달性和했습니다. 더 복잡한 트랜스포머 모델들은 여전히 매우 우수했지만, 약 84%의 정확도로 약간 낮은 점수를 기록했습니다. 지능에 대한 명성에도 불구하고 거대 언어 모델은 이 특정 작업에서 가장 취약한 모습을 보이며 약 80%의 정확도를 기록했습니다.

연구진은 소셜 미디어의 전형적인 특징인 짧고 직접적인 문장의 경우, 더 단순한 모델들이 실제로 더 효과적이라는 것을 발견했습니다. 이러한 모델들은 데이터셋 내의 부정적이고 긍정적인 생각들이 그 어조를 나타내는 명확하고 명시적인 단어들을 포함하고 있었기 때문에 성공적이었으며, 이는 컴퓨터가 의미를 이해하기 위해 깊고 복잡한 추론을 수행할 필요가 없었음을 의미합니다. 긴 서사를 처리하도록 설계된 더 발전된 모델들은 여기서 이점을 갖지 못했으며, 때때로 이 특정 작업에 어려움을 겪었습니다. 또한 연구는 이 시스템이 매우 일관적이라는 점을 밝혀냈습니다. 연구진이 서로 다른 데이터 덩어리들에 대해 모델을 테스트했을 때 결과가 안정적으로 유지되었는데, 이는 시스템이 단순히 정답을 암기하는 것이 아니라 생각의 패턴을 진정으로 학습하고 있음을 보여줍니다.

결정적으로, 저자들은 이 시스템이 개별 사용자를 위한 진단 장치가 아닌 연구용 도구임을 강조합니다. 컴퓨터는 문장의 정서적 톤을 인식하도록 훈련된 것이지, 정신 건강 상태를 진단하거나 특정 질환을 앓고 있는지 판단하는 것이 아닙니다. 온라인에 게시된 부정적인 생각은 임상적인 문제보다는 일시적인 좌절을 반영할 수 있으며, 이 시스템은 임상의 판단을 대체하는 것이 아니라 그러한 언어적 현실을 반영하도록 설계되었습니다. 이 연구는 미래 연구를 위한 토대로 기능하며, 대규모의 검증된 데이터셋과 경량화되고 효율적인 도구가 인간 사고의 정서적 풍경을 분석하는 데 매우 효과적일 수 있음을 입증했습니다. 단순하고 투명한 방법이 복잡한 것보다 이 특정 맥락에서 더 뛰어날 수 있음을 증명함으로써, 이 연구는 언어를 통해 정신 건강을 이해하는 길은 순수한 계산 능력보다는 명확성과 정밀함에 있을 수 있음을 시사합니다.