LLM 기반 디지털 트윈으로 개인 맞춤형 금연 메시지 효과 예측

본 논문은 모바일 건강(mHealth) 플랫폼에서 흡연자를 대상으로 한 맞춤형 금연 메시지 개발에 있어, 사용자가 인지하는 메시지 효과(PME)를 정확히 예측할 수 있는 모델을 탐구한다. 연구 배경으로는 젊은 성인(18‑30세) 흡연자에게 금연 메시지를 전달할 때, 개인의 인구통계학적 특성, 흡연 행동, 심리적 유연성 등 다양한 요인이 메시지에 대한 인지된 효과에 영향을 미친다는 점을 들었다. 기존 연구는 주로 정성적 방법이나 상관관계 분석에 머물렀으며, 실제 개인 수준의 예측 모델은 부족했다. 연구는 301명의 젊은 흡연자를 대상으로 124개의 금연 메시지를 평가하게 하여, 총 3,010개의 5점 Likert 평점을 수집하였다. 각 참가자는 10개의 무작위 메시지를 평가했으며, 그 중 7개는 모델 학습에, 나머지 3개는 테스트에 사용하였다. 평가는 네 가지 영역(내용 품질, 디자인 품질, 대처 지원, 금연 지원)으로 이루어졌으나, 디자인 평가는 텍스트와 이미지가 결합된 전체 인지에 크게 의존한다는 판단 아래 본 연구에서는 제외하고, 내용, 대처, 금연 세 영역만을 분석 대상으로 삼았다. 모델링은 세 가지 접근법으로 나뉜다. 첫 번째는 전통적인 지도학습 모델인 L2 정규화 로지스틱 회귀와 랜덤 포레스트이며, 입력 변수는 연령, 성별, 인종·민족, 흡연량, 첫 담배 흡입 시간, 심리적 유연성 등 총 23개의 개인 특성이다. 두 번째는 사전 학습된 대형 언어 모델(LLM)을 제로‑샷 및 few‑shot 프롬프트로 활용한 비지도 방식이다. 여기서는 전체 특성을 그대로 제공하거나 핵심 5개 변수만 제공하는 제로‑샷, 그리고 극단적인 평점 사례 2개를 포함한 few‑shot 프롬프트를 사용하였다. 세 번째는 ‘디지털 트윈’ 접근법으로, 각 참가자의 구조화된 프로필과 7개의 과거 메시지‑평점 쌍을 프롬프트에 포함시켜 LLM이 개인화된 예측을 수행하도록 설계하였다. LLM은 GPT‑4o‑mini, GPT‑5, DeepSeek‑R1, Grok‑4‑Fast, Gemini‑2.5‑Pro 등 다섯 가지 모델을 동일한 API 파라미터로 실험에 적용하였다. 성능 평가는 정확도, Cohen’s κ, F1 점수를 사용했으며, 디지털 트윈 모델이 가장 높은 성과를 보였다. 구체적으로 내용, 대처, 금연 영역에서 각각 0.49, 0.45, 0.49의 정확도와 0.75, 0.66, 0.70의 3‑점 축소 스케일 방향 정확도를 기록하였다. 이는 제로‑/few‑shot LLM이 평균 12%p, 전통 지도학습이 평균 13%p 낮은 성과와 비교되는 수치이다. 디지털 트윈의 예측 분포는 평점 카테고리 전반에 걸쳐 더 넓은 분산을 보여, 개인 차이를 보다 정교하게 포착함을 의미한다. 연구 결과는 LLM이 단순 텍스트 이해를 넘어, 개인 특성과 과거 행동 데이터를 통합함으로써 행동 변화 개입의 정밀성을 크게 향상시킬 수 있음을 입증한다. 특히, 제한된 개인별 데이터(7개의 과거 평점)만으로도 의미 있는 개인화가 가능함을 보여, 초기 단계의 개입 설계·테스트 비용을 크게 절감할 잠재력을 시사한다. 디지털 트윈 프레임워크는 금연 외에도 다양한 건강 행동 변화 프로그램(예: 알코올 사용 감소, 신체 활동 증진)에도 일반화될 수 있다. 향후 연구에서는 실시간 상황 인식 데이터(예: 웨어러블 센서 기반 스트레스, 감정)와 결합한 동적 디지털 트윈을 구축하고, 장기적인 행동 변화를 예측·중재하는 모델로 확장할 필요가 있다.