대규모 언어 모델 (LLMs)을 사용하여 환자를 시뮬레이션하는 것은 정신 건강 교육을 위한 유망한 도구이지만, 기존 방식들은 핵심적인 임상적 현실인 자기 낙인 (self-stigma)을 포착하는 데 실패하고 있습니다. 부정적인 고정관념을 내면화하는 현상인 자기 낙인을 경험하는 환자들은 종종 회피, 부정 또는 자책과 같이 맥락에 민감한 저항을 보이는데, 현재의 모델들은 이를 정적(static)이거나 일률적으로 순응하는 행동으로 표현합니다. 이를 해결하기 위해, 우리는 자기 낙인의 심리학적 3A1H 모델에 기반한 새로운 시뮬레이션 프레임워크를 소개합니다. 우리의 핵심 혁신은 extbf{Stigmatized Self-Reflection} ( extbf{SSR}) 데이터셋의 생성입니다. 이 데이터셋에서 우리는 낙인을 인식하는 추론을 반영하는 내부 독백 (internal monologues)을 통해 정신 건강 대화를 증강합니다. 사고의 사슬 (chain-of-thought) 접근 방식을 사용하여 이 데이터로 LLMs를 미세 조정 (fine-tuning)함으로써, 우리는 대화 트리거에 따라 낙인의 수준과 표현을 동적으로 조정하는 환자 에이전트를 훈련합니다. 평가 결과, 우리의 접근 방식은 전문화된 베이스라인 (baselines) 모델들을 유의미하게 능가하며, 더욱 실제적이고 상황에 적절한 환자 반응을 생성함을 입증했습니다. 본 연구는 임상 교육 및 공감형 대화 시스템을 위한 현실적인 낙인 시뮬레이션을 향한 중요한 발판을 제공합니다.