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.