대학생들의 진로 불안과 우울증은 정신 건강과 학업 성취에 있어 점점 더 커지는 과제가 되고 있습니다. 본 연구는 개인정보를 보호하고 문화적 대응력을 갖춘 방식으로 진로 관련 정신 건강 문제의 조기 지표를 식별하기 위해, 멀티모달 데이터 (multimodal data)와 연합 학습 (Federated Learning, FL)을 사용하는 설명 가능한 AI (Explainable AI, XAI) 프레임워크를 제안합니다. 이 프레임워크는 어텐션 메커니즘 (attention mechanisms)을 갖춘 중간 융합 신경망 (intermediate fusion neural network)을 통해 구조화된 행동 데이터와 인터뷰 영상에서의 얼굴 감정 특징을 결합합니다. 모델의 일반화 성능을 향상시키기 위해 레이블 스무딩 (Label smoothing)이 적용되었습니다. 원본 데이터 공유 없이 협업 학습을 가능하게 하기 위해 기관 간에 연합 학습 (FL)이 사용되었습니다. 평가는 파키스탄 전역의 대학생들을 대상으로 한 학생 정신 건강 설문 조사 (Student Mental Health Survey) 데이터셋을 사용하여 수행되었습니다. 우리 모델은 F1-score 89.12%, 재현율 (recall) 86.54%, 정확도 (accuracy) 92.08%, 정밀도 (precision) 91.88%를 달성했습니다. 통합 기울기 (Integrated Gradients)와 SHAP를 사용하여, 모델은 직접적인 시선 회피, 낮은 얼굴 표현력, 사회적 위축을 포함하여 심리학 이론과 일치하는 우울증의 주요 행동 지표를 식별했습니다. 본 연구는 전 세계적으로 학생 지원 서비스에 통합될 잠재력을 가진, 정신 건강 사전 진단을 위한 해석 가능하고 확장 가능하며 맥락에 민감한 AI 시스템을 제시합니다.