Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
본 연구는 기존의 구조화된 ADHD 평가 척도가 놓칠 수 있는 신호를 교사의 개방형 서술형 텍스트에서 발견하기 위해 LLM을 활용합니다. 연구 결과, 서술형 데이터와 구조화된 점수는 서로 상호 보완적인 정보를 제공하며, LLM 기반의 주제 발견을 통해 임상적으로 유의미한 행동 패턴을 식별할 수 있음을 입증했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.CL (NLP)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기주의력 결핍 과잉 행동 장애 (ADHD)는 아동기에 가장 흔한 신경 발달 장애 중 하나이며, 그 진단은 임상가의 판단과 표준화된 평가 척도(rating scales), 그리고 부모 및 교사의 보고를 결합한 평가에 의존합니다. Conners' Teacher Rating Scale-Revised Short Form (CTRS-R:S)와 같은 구조화된 도구는 ADHD 관련 행동을 정량화하지만, 교사들은 구조화된 평가에서 포착되지 않을 수 있는 보완적인 신호를 포함하는 개방형 서술(open-ended narratives)을 제공하기도 합니다. 그러나 교사의 서술이 평가 척도에서 간과되는 신호를 어느 정도까지 인코딩(encode)하고 있는지는 여전히 불분명합니다. 본 연구에서는 CTRS-R:S 점수와 개방형 교사 서술을 모두 포함하여, 임상 ADHD 평가 중에 수집된 익명화된 터키 교사 평가 양식을 분석합니다. 우리는 구조화된 점수와 서술형 텍스트로부터의 예측 신호를 비교하며, 구조화된 평가가 ADHD 학생과 비ADHD 학생을 명확하게 구분하지 못하는 반면 서술 기반 모델은 뚜렷한 행동 패턴을 포착하는 사례들을 식별합니다. 특히, 이러한 사례들은 서술 모델이 놓친 사례들과 중복이 최소화되어 나타나며, 이는 구조화된 정보와 서술형 정보가 상호 보완적인 신호를 인코딩하고 있음을 시사합니다. 이러한 차이를 해석하기 위해, 우리는 대규모 언어 모델 (LLM) 지원 주제 발견 파이프라인을 적용하여 뚜렷한 주의력, 행동 및 가족 관련 패턴을 밝혀냈으며, 이를 통해 교사 서술에서 임상적으로 유의미한 신호를 발견하고 전통적인 ADHD 선별 도구를 보완할 수 있는 자연어 처리 (NLP)의 잠재력을 강조합니다.