An Adaptive Anxiety Intervention Recommender System Using DSW-UCB Contextual Multi-Armed Bandit with Relevance Filtering

정신 건강이라는 조용하고 종종 보이지 않는 풍경 속에서, 불안은 가만히 머물러 있기를 거부하는 질환입니다. 불안은 하루 중 시간대, 날씨, 직장에서의 갑작스러운 스트레스 요인, 혹은 조용한 성찰의 순간에 따라 변화합니다. 이러한 감정들은 매우 유동적이기 때문에, 이를 관리하기 위해 설계된 도구들은 종-종 그 속도를 따라잡는 데 어려움을 겪습니다. 화요일 아침에 한 사람을 진정시켰던 대처 전략이 목요일 저녁에는 무용하거나 심지어 짜증스럽게 느껴질 수도 있습니다. 수년 동안 디지털 헬스 애플리케이션들은 개인화된 제안을 제공함으로써 이 문제를 해결하려 노력해 왔지만, 이러한 시스템 중 상당수는 근본적인 결함에 의존하고 있습니다. 바로 모든 과거의 상호작용을 마치 지금 당장 일어나고 있는 일처럼 취급한다는 점입니다. 이들은 몇 달 전 사용자의 선호도를 5분 전의 감정과 동일한 강도로 기억하며, 현재의 순간에 적응하기에는 역사가 너무 무거운 디지털 기억을 만들어냅니다.

여기서 나이지리아 우스마누 단포디오 대학교(Usmanu Danfodiyo University)의 연구진들이 개발한 새로운 접근 방식은 다른 길을 제시합니다. 연구팀은 불안 중재를 위한 더 스마트한 시스템, 즉 인간의 감정은 비정상성(non-stationary), 즉 시간이 지남에 따라 변하며 고정된 패턴을 따르지 않는다는 점을 이해하는 시스템을 구축하고자 했습니다. 사용자의 전체 이력으로부터 학습하려고 노력하는 대신, 그들의 새로운 시스템은 무엇이 가장 중요한지에 집중합니다. 바로 최근의 과거입니다. 두 가지 특정 기술—오래된 데이터를 빠르게 잊어버리는 것과 유익하지 않은 피드백을 걸러내는 것—을 결합함으로써, 그들은 사용자의 정서 상태가 변할 때 거의 즉각적으로 전환할 수 있는 모델을 만들었습니다. 그 결과, 단순히 기억하는 것을 넘어 진정으로 적응하며, 정확히 필요한 순간에 적절한 호흡 운동이나 마음챙김 활동을 제공하는 법을 배우는 디지털 비서가 탄생했습니다.

연구진은 먼저 기존 기술의 결정적인 한계를 인정하는 것부터 시작했습니다. 대부분의 현재 추천 시스템은 '전체 이력(full-history)'을 기반으로 작동합니다. 마치 한 학생이 오늘 치러질 시험을 공부하기 위해 초등학교 때부터 지금까지 소유했던 모든 교과서를 하나도 덮지 않고 읽고 있는 것과 같습니다. 이 학생은 방대한 양의 정보를 가지고 있겠지만, 오래된 사실들로 인해 혼란을 겪고 오늘 일어나는 시험에 집중하지 못할 가능성이 높습니다. 마찬가지로, 사용자의 6개월 전 평온했던 상태와 현재의 공황 발작을 동일하게 가중치를 두는 정신 건강 앱은 좋지 못한 추천을 하게 될 것입니다. 시스템은 반응이 느려지고, 더 이상 사용자에게 맞지 않는 제안의 루프에 갇히게 됩니다. 연구진은 불안 중재가 효과적이려면 시스템이 최근의 상호작용을 우선시하고 먼 과거의 소음은 버려야 한다고 주장했습니다.

이를 해결하기 위해 연구팀은 '슬라이딩 윈도우(sliding window)' 메모리를 사용하는 시스템을 설계했습니다. 사용자의 인생 전체 이력을 보는 대신, 시스템은 오직 마지막 100번의 상호작용에만 주목합니다. 새로운 상호작용이 발생할 때마다 가장 오래된 상호작용은 시야에서 사라지며, 이를 통해 시스템은 항상 가장 최신의 데이터로부터 학습하게 됩니다. 하지만 단순히 마지막 100번의 순간만을 보는 것만으로는 충분하지 않습니다. 그 순간들 중 일부는 혼란스럽거나 도움이 되지 않을 수 있기 때문입니다. 예를 들어, 사용자가 제안을 클릭했지만 즉시 앱을 닫았을 수도 있고, 혹은 실제 느끼는 감정과 일치하지 않는 평점을 주었을 수도 있습니다. 이를 처리하기 위해 연구진은 '관련성 필터(relevance filter)'를 추가했습니다. 이 메커니즘은 품질 관리 검사관처럼 작동하여, 사용자가 얼마나 몰입했는지에 따라 모든 상호작용에 점수를 부여합니다. 만약 세션이 짧고 몰입도가 낮았다면, 시스템은 그 상호작용을 학습 과정에서 매우 적게 반영합니다. 반면 사용자가 제안과 함께 시간을 보내며 도움을 받은 것처럼 보였다면, 그 상호작용은 훨씬 더 큰 비중을 갖게 됩니다. 이는 실수로 인한 클릭이나 주의 산만했던 순간들에 의해 시스템이 잘못된 방향으로 유도되는 것을 방지합니다.

연구팀은 '감쇄 슬라이딩 윈도우 상한 신뢰 구간(Discounted Sliding-Window Upper Confidence Bound)' 모델이라 명명한 새로운 시스템을 통제된 시뮬레이션 환경에서 테스트했습니다. 그들은 가상 사용자의 불안 수준과 맥락이 급격하게 변하여 인간 감정의 현실 세계의 예측 불가능성을 모방하는 디지털 환경을 구축했습니다. 연구진은 이 새로운 시스템을 전통적인 전체 이력 방식과 슬라이딩 윈도우만을 사용하거나 할인 계수(discount factor)만을 사용한 다른 변형 모델들을 포함한 여러 기존 모델들과 대결시켰습니다. 결과는 명확하고 유의미했습니다. 사용자의 요구가 갑자기 변하는 시나리오에서, 전통적인 시스템은 새로운 최적의 중재법을 파악하는 데 600단계 이상의 스텝이 걸렸습니다. 반면, 관련성 필터를 적용한 새 시스템은 단 235단계 만에 회복하여, 두 배 이상 빠르게 궤도에 올랐습니다.

성공적인 추천의 총량 측면에서 본 성능 격차는 더욱 놀라웠습니다. 시뮬레이션 과정 동안, 새 시스템은 전통적인 전체 이력 모델보다 20.9% 더 많은 긍정적인 결과를 축적했습니다. 또한 '후회(regret)'—시스템이 차선책을 선택한 횟수를 나타내는 척도—를 61.1% 줄였습니다. 이는 시스템이 적응 속도가 빠를 뿐만 아니라, 일관되게 더 나은 결정을 내렸음을 의미합니다. 연구진은 메모리 윈도우의 크기도 중요하다는 것을 발견했습니다. 그들은 50에서 500 사이의 윈도우 크기를 테스트했으며, 100번의 상호작용을 가진 윈도우가 최적의 균형을 제공한다는 것을 발견했습니다. 이는 안정적인 학습을 제공할 만큼 충분히 컸고, 변화에 빠르게 반응할 수 있을 만큼 충분히 작았습니다. 이 특정 윈도우 크기를 관련성 필터와 결함했을 때, 시스템은 테스트에서 가장 높은 보상과 가장 낮은 후회를 달eric했습니다.

또한 이 연구는 시스템이 나쁜 데이터를 처리하는 방식이 매우 중요하다는 것을 보여주었습니다. 연구진이 저품질 상호작용을 공격적으로 폐기하는 버전의 시스템을 테스트했을 때, 결과는 불안정해졌습니다. 시스템은 좋은 추천과 나쁜 추천 사이를 격렬하게 오갔습니다. 그러나 저품질 상호작용을 완전히 무시하는 대신 아주 작은 가중치를 부여하는 '소프트(soft)' 필터를 사용한 버전은 안정적이고 신뢰할 수 있는 성능을 유지했습니다. 이는 노이즈가 섞였거나 혼란스러운 피드백이라 할지라도, 그것이 학습 과정을 지배하도록 허용하지만 않는다면 어느 정도의 가치가 있다는 것을 시사합니다. 시스템은 신호(signal)를 잃지 않으면서도 노이즈를 무시하는 견고함을 학습했습니다.

이러한 결과가 유망하기는 하지만, 연구진은 이것이 시뮬레이션 환경에서 달성된 결과임을 주의 깊게 언급했습니다. 이 연구는 실제 인간 참가자나 임상 시험을 포함하지 않았으며, 컴퓨터 모델 내에서 알고리즘의 논리와 적응성을 엄격하게 테스트한 것입니다. 저자들은 다음 단계로, 심박수나 수면 패턴과 같은 실제 생체 신호를 통합하여 맥락을 더욱 풍부하게 만들고, 윤리적 감독 하에 실제 사용자를 대상으로 이 프레임워크를 테스트해야 한다고 강조했습니다. 또한, 사용자가 왜 특정 제안이 내려졌는지 이해할 수 있도록 하고, 필요할 경우 이를 거부할 수 있는 제어권을 부여함으로써 시스템을 더욱 투명하게 만드는 방법을 탐구할 계획입니다.

이 연구의 핵심 성과는 추천 시스템이 혼란스러운 환경에서도 빠르고 정확할 수 있다는 것을 입증했다는 점입니다. 과거를 놓아주고 현재를 신중하게 무게를 둠으로써, 이 새로운 모델은 많은 디지털 헬스 도구들을 괴롭히는 역사적 편향의 함정을 피합니다. 이는 정신 건강 지원이 정적인 조언의 도서관이 아니라, 사용자와 함께 진화하는 역동적인 대화가 되는 미래를 향한 청사진을 제시합니다. 불안이 흔히 예측 불가능성으로 정의되는 세상에서, 그 예측 불가능성과 함께 움직일 수 있는 시스템은 디지털 케어를 진정으로 개인화되고 효과적으로 만드는 데 있어 중요한 진전입니다.