Graph2Counsel: 임상 그래프 기반 합성 상담 대화 생성

정신 건강 지원에 대한 수요 증가로 인해 거대 언어 모델(LLMs)을 상담 분야에 적용하려는 관심이 높아지고 있습니다. 하지만 이처럼 안전성이 중요한 고위험 영역에서는 사생활 보호 문제 때문에 실제 상담 데이터를 확보하는 것이 큰 장벽입니다.

기존의 해결책으로 합성 데이터셋이 주목받고 있지만, 대부분은 클라이언트의 인지적(cognitive), 감정적(emotional), 행동적(behavioral) 상태 간의 구조적 의존성을 무시하고 비정형 또는 반구조화된 텍스트 입력에 의존하는 경향이 있습니다. 이로 인해 생성된 대화는 심리적으로 일관성이 떨어지고 현실적인 품질을 확보하기 어렵습니다.

본 논문에서는 이러한 한계를 극복하기 위해 Graph2Counsel이라는 프레임워크를 제안합니다. Graph2Counsel은 클라이언트의 생각, 감정, 행동 간의 관계를 인코딩한 **클라이언트 심리 그래프(Client Psychological Graphs, CPGs)**에 근거하여 합성 상담 세션을 생성하는 것을 목표로 합니다.

💡 핵심 작동 원리

Graph2Counsel은 단순히 텍스트를 나열하는 것이 아니라, 구조화된 프롬프팅 파이프라인을 따릅니다. 이 과정에서 상담사 전략(counselor strategies)과 CPG가 결합되어 대화를 생성합니다. 특히, 최신 LLM 기법인 **CoT (Chain-of-Thought)**와 Multi-Agent Feedback 같은 고급 프롬프팅 전략들을 탐색적으로 활용하여 결과물의 질을 높입니다.

📊 실험 및 성과

Graph2Counsel은 총 76개의 CPG를 사용하여 760개의 합성 상담 세션을 생성했습니다. 이 데이터셋의 전문가는 평가에서 다음과 같은 측면에서 기존 데이터를 능가하는 성능을 보였습니다:

• 구체성 (Specificity): 임상적 맥락에 맞는 깊이 있는 대화 전개.
• 상담사 역량 (Counselor Competence): 전문가 수준의 상담 기법 적용.
• 진정성/현실성 (Authenticity): 실제 인간 상호작용과 유사한 자연스러움.
• 대화 흐름 (Conversational Flow): 논리적이고 매끄러운 대화 전개.
• 안전성 (Safety): 고위험 영역에 필수적인 안전 기준 충족.

또한, 생성된 데이터셋으로 오픈소스 모델을 파인튜닝(Fine-tuning)했을 때, CounselingBench나 CounselBench 같은 다운스트림 벤치마크에서 성능 향상을 입증하며 실질적인 임상적 유용성을 보여주었습니다. 연구진은 코드와 데이터를 공개하여 커뮤니티의 활용도를 높였습니다.

이러한 접근 방식은 LLMs가 고위험 의료/심리 분야에 안전하고 신뢰성 있게 적용될 수 있는 중요한 발판을 마련합니다.