고위험 추론을 위한 멀티 에이전트 감사 프레임워크: 임상 정신 건강 선별에서의 평가 및 해석 가능성

요약

임상 정신 건강 선별과 같은 고위험 추론을 위해 환각을 줄이고 해석 가능성을 높인 멀티 에이전트 감사 프레임워크를 제안합니다. LangChain 기반의 모듈형 워크플로우를 통해 인지, RAG, CoT, 감사 단계를 거치며 단일 모델 대비 높은 정확도와 신뢰성을 입증했습니다.

핵심 포인트

• 멀티 에이전트 협업을 통한 고위험 추론의 환각 및 해석 가능성 문제 해결
• LangChain 기반의 인지, RAG, CoT, 감사 단계로 구성된 모듈형 아키텍처
• DAIC-WOZ 데이터셋 실험 결과, PHQ-8 예측 MAE를 5.35에서 5.02로 개선
• 에이전트 간 검증 추적을 통해 추론 드리프트를 완화하고 진단 근거 제공