임상 인터뷰로부터의 자동 우울증 탐지 (Automatic Depression Detection, ADD)는 계산 정신 건강 (computational mental health) 분야에서 중추적인 과제이지만, 두 가지 결정적인 장애물로 인해 여전히 어려운 과제로 남아 있습니다: 1) 길고 다양한 주제를 다루는 임상 인터뷰 내에서 복잡하지만 희소하게 분포된 우울증 단서들을 모델링하기 어려워 피상적이고 신뢰할 수 없는 추론으로 이어짐; 2) 임상적 개인정보 보호로 인한 라벨링된 데이터의 부족과 더불어, 학습 및 미세 조정 (fine-tuning)의 높은 비용으로 인해 지도 학습 기반의 ADD 시스템 배포가 제한됨. 이러한 과제들을 공동으로 해결하기 위해, 우리는 임상 정신과 의사의 단계별 추론을 모방하며 동결된(frozen) 기성 파운데이션 LLM (foundation LLMs) 상에서 완전히 작동하는 학습이 필요 없는 프레임워크인 Dep-LLM을 제안합니다. Dep-LLM은 세 단계로 구성됩니다. 첫째, 사고의 사슬 (Chain-of-Thought, CoT) 우울증 다요인 분석 모듈은 긴 대화를 임상적으로 정렬된 5가지 주제로 구조적으로 분해하고 증거에 기반한 근거를 생성하여, 긴 문맥 의존성 (long-context dependencies)을 효과적으로 처리합니다. 둘째, 각 근거의 토큰 수준 엔트로피 (token-level entropy)로부터 인식론적 신뢰성 (epistemic reliability)을 정량화하고, 추가 학습 없이 신뢰할 수 있는 신호는 증폭시키고 불확실한 신호는 억제하는 레이블 내 및 주제 간 변조 (intra-label and inter-theme modulation)를 적용하는 신뢰도 분석 및 변조 (Confidence Analysis and Modulation) 모듈을 도입합니다. 셋째, 협업적 다요인 예측 (Collaborative Multi-factor Prediction) 모듈은 신뢰도에 따라 가중치가 부여된 다요인 신호들을 최종 진단에 동적으로 통합합니다. DAIC-WOZ 및 E-DAIC 데이터셋에 대한 광범위한 실험은 Dep-LLM의 효과성과 일반화 가능성을 입증합니다. Dep-LLM은 정확도 (accuracy), macro F1, weighted-average F1 등 9가지 지표에 걸쳐 거의 모든 21개의 파운데이션 LLM에서 제로샷 (zero-shot) 베이스라인을 능가하며, 추가 학습이 전혀 필요하지 않으면서도 최첨단 지도 학습 기반 도메인 특화 LLM 및 최신 폐쇄형 상용 LLM보다 뛰어난 성능을 보여줍니다.