중독 회복을 위한 스마트 위치 기반 모바일 앱

초록

본 논문은 알코올·담배 중독자를 위해 공간·시간 정보를 활용한 재발 예측 및 맞춤형 회피 활동을 제공하는 모바일 애플리케이션 “Addict Free”를 설계·구현한다. 사용자의 위치, 소비량, 선호 활동 등을 수집·분석해 재발 위험을 실시간으로 예측하고, 위험 지역에 진입하면 개인화된 대체 활동을 알림으로 제시한다. 또한 회복 커뮤니티를 구축해 사용자 간 경험 공유와 전문가 상담을 지원한다.

상세 분석

Addict Free는 세 가지 핵심 모듈로 구성된다. 첫 번째는 프론트엔드 데이터 수집 모듈로, 사용자가 직접 입력한 음주·흡연량, 시간, 장소 정보와 스마트폰 GPS를 이용한 지오펜싱 데이터를 실시간으로 받아온다. 이때 사용자는 자신만의 “알코올 스팟”을 지정할 수 있어, 위험 지역을 개인화할 수 있다. 두 번째는 백엔드 예측·추천 엔진이다. 논문에서는 시계열 특성을 고려한 LSTM(Long Short‑Term Memory) 모델을 채택해 지난 30일간의 시간‑공간 데이터(음주·흡연 시각, 양, 위치, 사용자 프로필 등)를 입력으로 사용한다. 손실 함수는 평균 제곱 오차(MSE)를 최소화하도록 설계되었으며, 모델은 매시간 재발 확률을 출력한다. 예측된 확률이 사전 정의된 임계값을 초과하면, 시스템은 해당 시간대와 위치에 맞는 “다이버전 활동”(예: 근처 피트니스 센터, 카페, 쇼핑 등)을 푸시 알림으로 전송한다. 알림은 사용자가 위험 지역에 진입하거나, 예측된 재발 시점 10분 전에도 발송돼, 사용자가 충동을 다른 행동으로 전환할 충분한 시간을 제공한다. 세 번째는 커뮤니티 지원 모듈이다. 회복 단계별·지역별로 사용자와 치료사를 매칭하고, 게시판·채팅 기능을 통해 경험 공유와 실시간 조언을 가능하게 한다. 이때 개인정보는 익명화된 형태로 저장돼 프라이버시를 보호한다.
기술적 강점으로는 (1) 공간‑시간 데이터를 통합한 다변량 LSTM 기반 재발 예측, (2) 지오펜싱과 시간 제약을 결합한 정밀 알림 트리거, (3) 사용자 선호 기반 맞춤형 대체 활동 추천 알고리즘이 있다. 그러나 논문에서는 데이터셋 규모와 모델 성능에 대한 정량적 평가가 부족하고, 실제 임상 시험이나 장기 사용자 유지율에 대한 검증이 없다는 한계가 있다. 또한, 알림 피로도와 프라이버시 우려를 완화하기 위한 사용자 설정 옵션이 상세히 제시되지 않았다. 향후 연구에서는 대규모 사용자 데이터를 기반으로 모델의 ROC‑AUC, 정밀도·재현율 등을 보고하고, A/B 테스트를 통해 알림 전략의 효과를 검증할 필요가 있다.