매일 사용자들은 본질적으로 타임스탬프(timestamp)가 찍혀 있으며 자신의 정신 상태의 측면을 반영할 수 있는 디지털 흔적(digital traces, 예: 소셜 미디어 게시물, 채팅, 온라인 상호작용)을 생성합니다. 이러한 흔적들은 사용자의 정신 건강 신호가 개선, 악화 또는 안정화되는 단계를 포함하여 어떻게 진화하는지를 포착하는 시간적 궤적(temporal trajectories)으로 구성될 수 있습니다. 본 연구에서는 사용자 디지털 흔적에서 우울증 관련 상태 변화를 탐지하고 분석하기 위한 설명 가능한 프레임워크(explainable framework)를 제안합니다. 이 접근 방식은 여러 BERT 기반 모델을 결합하여 다양한 차원(예: 감성(sentiment), 감정(emotion), 우울증 심각도(depression severity))에 걸쳐 상호 보완적인 신호를 추출합니다. 이러한 신호들은 이후 시간에 따라 집계되어 사용자 수준의 궤적을 구축하며, 유의미한 변화 지점(change points)을 식별하기 위해 분석됩니다. 해석 가능성(interpretability)을 높이기 위해, 이 프레임워크는 대규모 언어 모델(Large Language Model, LLM)을 통합하여 정신 건강 신호의 진화를 설명하고 주요 전환점을 강조하는 간결하고 사람이 읽을 수 있는 보고서를 생성합니다. 우리는 두 개의 소셜 미디어 데이터셋을 통해 이 프레임워크를 평가합니다. 결과에 따르면, 이 접근 방식은 직접적인 LLM 기반 보고보다 더 일관되고 정보가 풍부한 요약을 생성하며, 사용자 이력의 더 높은 커버리지, 더 강력한 시간적 일관성(temporal coherence), 그리고 변화 지점에 대한 향상된 민감도를 달성합니다. 절제 연구(ablation study)를 통해 각 구성 요소, 특히 시간적 모델링(temporal modeling)과 세분화(segmentation)의 기여도를 확인했습니다. 전반적으로, 이 방법은 임상적 진단을 목표로 하지 않으면서도 시간에 따른 정신 건강 신호에 대한 해석 가능한 관점을 제공하여 연구와 의사 결정을 지원합니다.