의미 너머: 신뢰할 수 있는 정신 건강 예측을 위한 증거 추론에 기반한 다중 관점 학습 프레임워크

텍스트 데이터를 활용한 자동화된 정신 건강 예측은 딥러닝과 대형 언어 모델 (LLM) 을 통해 유망한 결과를 보여주고 있습니다. 그러나 이러한 모델을 고위험도 실세계 환경에 배포하는 것은 여전히 어려우며, 기존 접근법은 대부분 의미적 표현 (semantic representations) 에 의존하고 불분명하거나, 소음 (noise) 이 있거나, 데이터 분포가 이동 (shifted) 한 경우 과신심 (overconfident) 예측을 자주 생성합니다. 또한 대부분의 방법은 신뢰할 수 있는 불확실성 추정 (uncertainty estimation) 을 갖추지 못하여 위험 민감도 (risk-sensitive) 정신 건강 응용 분야에서 신뢰를 훼손하고 있습니다.

이러한 한계를 해결하기 위해, 우리는 이 과제를 다중 관점 학습 문제 (multi-view learning problem) 로 재정의하며, 인코더 전용 모델 (encoder-only models) 의 의미적 정보와 디코더 전용 모델 (decoder-only models) 의 상위 단계 추론 정보 (higher-level reasoning information) 를 통합합니다. 이를 통해 신뢰할 수 있는 방식으로 추론에 기반한 표현 (reasoning-aware representations) 과 불확실성 모델링을 획득합니다.

신뢰할 수 있는 융합 (fusion) 을 보장하기 위해, 우리는 주관적 논리 (Subjective Logic) 를 기반으로 한 증거 학습 프레임워크를 채택하여 불확실성을 명시적으로 모델링하고, 신뢰할 수 없는 증거를 할인 (discounting) 하며 보완적인 관점 (complementary views) 을 균형 있게 조정하는 증거 융합 전략 (evidential fusion strategy) 을 도입했습니다.

Dreaddit, SDCNL, DepSeverity 라는 세 개의 실세계 데이터셋에서 벤치마킹을 수행한 결과, 정확도는 각각 0.835, 0.731, 0.751 로 보고되었으며, 이는 신뢰할 수 있는 정신 건강 예측의 잠재력을 입증합니다. 소음에 대한 견고성 (robustness) 에 대한 추가 실험과 해석 가능성 (interpretability) 을 위한 사례 연구는 제안된 프레임워크가 예측 성능을 개선하는 것뿐만 아니라, 신뢰할 수 있는 불확실성 추정과 인간이 이해할 수 있는 추론 신호를 제공함을 확인하며, 정신 건강 평가의 위험 민감도 응용에 적합함을 보여줍니다.