감정 궤적 해독: 시간‑의미 네트워크로 보는 잠재 우울증 진단

초록

본 논문은 소셜 미디어 사용자 글의 의미와 시간 흐름을 동시에 파악하는 다중 스케일 시간‑프로토타입 네트워크(MSTPNet)를 제안한다. 프로토타입 학습을 통해 우울 증상 표현을 데이터‑드리븐으로 자동 추출하고, 시간 구간별 증상의 빈도와 지속성을 모델링함으로써 임상적 해석이 가능한 ‘증상‑지속’ 정보를 제공한다. 대규모 데이터셋 실험에서 기존 최첨단 방법들을 능가했으며, 새로운 증상 패턴(예: ‘대안적 삶에 대한 동경’)을 발견하고, 사용자 평가에서 해석 가능성이 크게 향상된 것으로 확인되었다.

상세 분석

이 연구는 기존 소셜 미디어 기반 우울증 탐지 모델이 갖는 두 가지 근본적인 한계—(1) 증상의 ‘무엇’만을 포착하고 ‘얼마나 오래’ 지속되는지를 무시한다는 점, (2) 사전 정의된 사전이나 템플릿에 의존해 높은 라벨링 비용과 일반화 부족을 초래한다는 점—을 해결하고자 한다. 이를 위해 저자들은 프로토타입 학습(paradigm of case‑based interpretability)을 시간적 차원과 결합한 MSTPNet을 설계하였다. 핵심 구성 요소는 다음과 같다.

1. 시맨틱 파싱 네트워크: 사전‑의존적 단어 사전 대신, Transformer 기반 인코더를 사용해 각 게시글을 의미론적 임베딩으로 변환한다. 이는 비표준 표현, 은유, 속어 등 실제 사용자 언어의 다양성을 포착한다.

2. 시간 구간 세분화 레이어: 사용자의 포스트 시퀀스를 일정 기간(예: 일주일) 단위로 클러스터링하고, 불필요하거나 중복된 포스트를 필터링한다. 이렇게 정제된 구간은 ‘증상이 나타난 기간’과 ‘증상이 없는 기간’을 명확히 구분해, 프로토타입 매칭 시 잡음 감소 효과를 제공한다.

3. 다중 스케일 시간‑프로토타입 레이어: 각 구간에 대해 여러 시간 스케일(단기, 중기, 장기)에서 프로토타입을 학습한다. 프로토타입은 특정 의미적 패턴(예: ‘잠 못 이루는 밤’, ‘무기력함’)을 대표하며, 해당 프로토타입과의 유사도는 해당 증상이 해당 구간에 얼마나 강하게 나타나는지를 정량화한다. 다중 스케일 설계는 증상의 빈도와 지속성을 동시에 반영한다.

4. 해석 가능성 메커니즘: 최종 예측은 “사용자가 X 구간에 프로토타입 A·B·C와 유사했다 → 우울증 가능성 ↑” 형태로 설명된다. 이는 임상가가 DSM‑5 기준에 따라 증상 유형과 지속 기간을 직접 확인할 수 있게 해, 기존 블랙박스 모델과 달리 ‘왜’라는 질문에 답한다.

실험에서는 1백만 건 이상의 트위터·레딧·위보 데이터를 활용했으며, 평가 지표(F1, AUROC)에서 기존 SOTA(LSTM‑Attention, BERT‑based)보다 3~5%p 향상을 기록했다. 특히, ‘대안적 삶에 대한 동경’이라는 새로운 증상 군이 프로토타입으로 자동 도출되었으며, 이는 전통 설문(예: PHQ‑9)에서는 포착되지 않는 미묘한 정서 흐름을 의미한다. 사용자 설문(전문가 30명, 일반 사용자 50명)에서는 MSTPNet의 설명이 “구체적이고 임상적 근거와 부합한다”는 평가를 받아, 해석 가능성 점수가 기존 주의‑가중 LSTM 대비 27% 상승했다.

이러한 설계는 (1) 데이터‑드리븐 방식으로 증상 사전을 자동 확장, (2) 시간적 지속성을 정량화해 임상적 위험도 평가에 활용, (3) 프로토타입 기반 설명으로 GDPR 등 규제 요구를 충족한다는 장점을 제공한다. 한계점으로는 (i) 시간 구간 설정이 도메인에 따라 민감하게 변할 수 있어 하이퍼파라미터 튜닝이 필요하고, (ii) 텍스트 외 이미지·음성 등 멀티모달 정보 통합이 아직 미흡하다는 점을 들 수 있다. 향후 연구에서는 멀티모달 프로토타입 학습과 실시간 스트리밍 데이터 적용을 통해 조기 개입 시스템으로 확장할 가능성이 있다.