디지털 트윈 (Digital twins)은 개인의 행동과 건강 궤적을 모델링할 수 있게 함으로써 개인 맞춤형 의료를 위한 유망한 패러다임으로 부상했습니다. 인지 건강 분야에서는 경도 인지 장애 (Mild Cognitive Impairment, MCI)의 조기 발견이 여전히 어려운 과제로 남아 있으며, 여기서 언어 및 대화 패턴은 비침습적 바이오마커 (biomarkers) 역할을 합니다. 본 연구에서는 문체론적 단서 (stylometric cues)와 문맥적 메타데이터 (contextual metadata)를 통합하여 거대 언어 모델 (Large Language Models, LLMs)을 활용함으로써 노인의 대화 행동을 모방하는 언어 기반 디지털 트윈 프레임워크를 제안합니다. 충실도 (fidelity)와 인지적 일관성 (cognitive consistency)을 평가하기 위해, 우리는 재구성 품질을 공동으로 측정하고 인지 점수를 예측하는 멀티 헤드 조건부 변이형 오토인코더 (multi-head conditional variational autoencoder, cVAE)를 도입합니다. I-CONECT 데이터셋을 이용한 실험 결과, 디지털 트윈은 개인 특유의 특성을 보존하며 실제 데이터와 유사한 재구성 및 MoCA 예측 오차를 달성하는 동시에, 베이스라인인 GPT 생성 응답보다 우수한 성능을 보였습니다. 이러한 결과는 개인 맞춤형 및 지속적인 인지 건강 모니터링을 위한 확장 가능하고 비침습적인 접근 방식으로서 언어 기반 디지털 트윈의 잠재력을 강조합니다.