프롬프트 유도 (Prompt Induction) 를 통한 우울증 증상 증거 학습

요약

본 논문은 온라인 포럼 및 소셜 미디어와 같은 비임상 환경의 사용자 생성 텍스트에서 우울증 증거를 자동으로 식별하는 방법을 제안합니다. 기존 LLM 접근법이 일관된 관련성 기준을 적용하는 데 어려움을 겪는 문제를 해결하기 위해, 연구진은 '증상 유도(Symptom Induction, SI)'라는 새로운 프레임워크를 도입했습니다. 이 방법은 각 증상이 어떤 내용으로 간주되는지 명시하는 해석 가능한 지침을 사용하여 분류를 조건화함으로써, 기존 모델보다 높은 성능과 일반화 능력을 입증했습니다.

핵심 포인트

• 우울증 증상 식별의 필요성: 온라인 텍스트에서 임상적 증거를 자동으로 추출하여 정신 건강 서비스 부담 완화 및 대규모 인구 적용 가능.
• 기존 LLM의 한계점: 범용적인 LLM 접근법은 세분화되고 불균형한 증상 관련성 분류 작업에서 일관된 기준 적용에 어려움을 겪음.
• 새로운 방법론 '증상 유도(SI)': 각 증상이 증거로 간주되는 내용을 명시하는 해석 가능한 지침을 사용하여 분류를 조건화함.
• 성능 우수성 입증: SI는 BDI-Sen 데이터셋에서 네 가지 LLM 계열 및 8개 모델에 걸쳐 전반적으로 가장 높은 가중치 F1 점수를 달성했으며, 특히 희귀 증상에서 큰 개선을 보임.
• 뛰어난 일반화 능력: 외부 데이터셋 평가를 통해 SI가 양극성 장애나 섭식 장애와 같이 공통된 증상을 공유하는 다른 질환에도 효과적으로 적용될 수 있음을 입증함.