EmoTrack: 세션 체제 전반에 걸친 상담 전사 데이터를 활용한 강건한 우울증 추적

텍스트 기반 상담은 AI 정신 건강 지원을 위한 중요한 인터페이스이며, 여기서 전사 데이터(transcripts)는 우울증의 심각도를 모니터링하고 적시에 인간의 검토가 필요한 세션을 식별하는 데 사용될 수 있습니다. 그러나 다양한 세션 체제(session regimes) 전반에서 강건한 PHQ-8 예측은 여전히 어려운 과제입니다. 미세 조정(fine-tuning) 기반 방법은 더 풍부한 감독(supervision)을 활용할 수 있지만 데이터 부족 상황에서 일반화 성능이 떨어질 수 있는 반면, 프롬프트(prompt) 기반의 LLM 방법은 데이터 효율적이지만 대개 각 전사 데이터를 전체론적으로 처리하며 종단적 문맥(longitudinal context)에 대한 지원이 제한적입니다. 본 연구에서는 단일 세션 및 다중 세션 체제 전반에 걸친 상담 전사 데이터로부터의 강건한 우울증 추적을 연구합니다. 우리는 부분적인 증상 노출 및 세션 간 연속성 하에서 반복 세션 추적을 평가하기 위해 세션 수준의 PHQ-8 감독이 포함된 다중 세션 상담 데이터셋인 LongCounsel을 소개합니다. 나아가 우리는 LLM에서 추출된 임상 신호(clinical signals)와 동결된(frozen) 턴 수준의 의미론적 임베딩(semantic embeddings)을 결합하고, 결과물인 전사 표현(transcript representation) 위에서 증상 특화 예측기(symptom-specific predictors)를 학습시키는 PHQ-8 예측 프레임워크인 EmoTrack을 제안합니다. 이전 세션 데이터가 사용 가능한 경우, EmoTrack은 압축된 세션 간 메모리(cross-session memory)를 통해 이를 추가로 통합할 수 있습니다. LongCounsel 및 DAIC-WOZ에 대한 실험 결과, EmoTrack은 가장 강력한 DAIC-WOZ 베이스라인 대비 13.5%의 상대적 MAE(평균 절대 오차) 감소를 포함하여 실제 단일 세션 벤치마크에서 명확한 이득을 달성하였으며, LongCounsel에서도 가장 강력한 종단적(longitudinal) 베이스라인과 경쟁할 만한 성능을 유지함을 보여주었습니다.