해석 가능한 우울증 감지를 위한 심리학적 기반 그래프 모델링

요약

본 연구는 대화형 상호작용에서 우울증을 감지하기 위해 심리학적 기반의 그래프 모델링 프레임워크인 PsyGAT(Psychological Graph Attention Network)를 제안합니다. 이 모델은 발화 수준의 임상 증거를 포착하는 Psychological Expression Units(PEUs)와 세션 수준의 성격 컨텍스트 통합을 통해, 기존 블랙박스 딥러닝 모델의 한계를 극복하고 우울증의 미세한 시간적 진화를 효과적으로 모델링합니다. 또한, 해석 가능성을 높이기 위해 Causal-PsyGAT 모듈을 추가하여 증상 유발 요인을 식별함으로써 임상적 설명력을 크게 향상시켰습니다.

핵심 포인트

• 심리학적 기반 그래프 모델(PsyGAT)을 도입하여 대화형 우울증 감지 성능을 개선함.
• Psychological Expression Units (PEUs)를 사용하여 단순 의미론적 의존성을 넘어 심리 상태의 전환을 포착함.
• 임상 승인된 페르소나 기반 데이터 증강 기법으로 클래스 불균형 문제를 해결하고 모델 견고성을 확보함.
• Causal-PsyGAT 모듈을 통해 우울증 증상의 원인을 식별하는 해석 가능성(Explainability) 기능을 제공하여 임상적 가치를 높임.