[LLM] Physiology-Driven Empathic Large Language Models (EmLLMs) for Mental Health Support

어라랏 이 논문은 정신 건강 지원을 위한 생리학 기반 LLM 모델 제시함

EmLLM은 웨어러블 기기를 통해 사용자의 생리 신호와 주변 환경을 모니터링하여 사용자의 정신적·정서적 상태를 예측하고, 이러한 상태에 기반해 사용자와 상호작용하여 직장 내 과도한 스트레스 모니터링 및 관리에 적용함

 

스트레스 예측의 정확도를 향상시키기 위해 원시 웨어러블 데이터에서 자동으로 특징을 추출하는 새로운 과학 기반 머신러닝(Science-Guided Machine Learning, SGML) 모델을 개발하고, 사용자를 인지적으로 지원하기 위해 예측된 사용자 스트레스 상태에 따라 심리치료를 제공하는 EmLLM 챗봇을 개발함

SGML 모델의 초기 결과와 EmLLM 챗봇을 평가한 파일럿 사용자 연구 결과를 제시함

 

이거 완전 내가 하고자 하는 연구 방향이량 비슷비슷 완조니 비슷

당장 읽어야지

가보자고...

---

 

웨어러블 기기는 피부전도(EDA), 혈액량맥파(BVP), 피부온도(ST)와 같은 생리 데이터를 수집하여 사용자의 심리 상태를 예측하는 데 활용할 수 있음

정신-생리 모델링(Psycho-physiological Modeling, PsPM)은 이러한 생리 신호와 심리 상태 간의 패턴과 관계를 밝히는 과정임

또한, 웨어러블 데이터는 사용자에게 바이오피드백(biofeedback) 을 제공하여 시각, 청각, 촉각 신호 등을 통해 사용자가 자신의 생리적 기능을 인식할 수 있도록 치료를 도울 수 있음

 

그러나 PsPM과 바이오피드백에는 한계가 존재함

1. 기존 방법은 원시 생리 데이터 전체가 아닌 일부 선택된 생리적 특징에 기반해 심리 상태를 추론하기 때문에 정보 손실 발생
2. 특징 기반 접근법은 도메인 전문가의 개입이 필요하며, 어떤 생리적 특징이 최적인지에 대해서도 합의가 이루어져 있지 않음
3. 바이오피드백만으로는 충분한 치료적 지원이 되지 않을 수 있으며, 사용자를 인지적으로 참여시키는 기법과 결합되어야 함

이러한 문제를 해결하기 위해 생리학 기반 공감형 대규모 언어모델(EmLLMs, Empathic Large Language Models) 제안

→ 웨어러블 기기를 통해 사용자의 생리 데이터와 주변 환경을 모니터링

→ 고급 머신러닝 기법을 활용하여 원시 생리 데이터에서 자동으로 특징을 추출하여 심리 상태를 예측하는 과정 포함

→ 사전학습된 LLM을 사용자 맞춤형으로 조정하여 예측된 심리 상태를 기반으로 사용자와 공감적으로 상호작용할 수 있는 챗봇 개발

→ 이 접근법을 직장 내 개인의 정신적 스트레스 모니터링 및 관리에 적용

---

생리학 기반 공감형 대규모 언어 모델 (EmLLM) 프로토타입

연구 목표

1. 스트레스 관련 심리치료를 위해 사전학습 LLM을 커스터마이즈
2. 웨어러블 데이터 기반 스트레스 모니터링을 LLM과 통합해 EmLLM 챗봇 개발
3. EmLLM 챗봇의 정신건강 지원 효과성 평가

개발 과정

• 스트레스 예측 모델: 1D CNN 모델 활용 → 스트레스/비스트레스 분류
• LLM 파인튜닝: Falcon-7B 모델을 QLoRA 기법으로 정신건강 대화 데이터셋에 파인튜닝
  • 데이터셋: 환자 질문 + 전문가 답변의 대화쌍 포함
• 프롬프트 엔지니어링: 예측된 스트레스 상태를 입력받아
  • 심리상담사처럼 행동
  • CBT 원칙을 따르며 대화
  • 답변할 수 없는 경우에는 합리적 설명 제공
• 웹 인터페이스 구축: 사용자가 챗봇과 직접 상호작용 가능

파일럿 사용자 연구

• 참가자: 박사과정 학생 8명 (남 5, 여 3, 23~37세)
• 실험 절차:
  • Empatica EmbracePlus 스마트워치로 하루 종일 생리 데이터 수집
  • 업무 시작/종료 시 Short Stress State Questionnaire (SSSQ) 작성
  • 퇴근 후 EmLLM 챗봇과 15분 이상 대화
  • 챗봇은 인사 후, 예측된 스트레스 상태를 알려주고 대화 제안
  • 세션 종료 후 Godspeed Questionnaire & Session Rating Scale (SRS) 응답
• 초기 결과:
  • EmLLM은 스트레스 예측을 정확히 수행
  • 인간과 유사한 반응 제공
  • 대부분의 사용자와 긍정적인 치료적 관계(therapeutic alliance) 형성

 

 1. SSSQ (Short Stress State Questionnaire)

• 정의:
  • 단기 스트레스 상태를 평가하기 위해 개발된 자가 보고형 척도.
  • 일반적으로 24개 문항(축약형은 더 적음)으로 구성, 3개 하위 요인을 측정합니다:
    1. Distress (부정적 감정, 불안, 긴장감)
    2. Worry (걱정, 정신적 분산, 불필요한 생각)
    3. Engagement (집중, 에너지, 몰입도)
• 사용 목적:
  • 특정 시점의 즉각적인 스트레스 상태 파악.
  • 그래서 연구에서 업무 시작 전 / 종료 후 SSSQ를 작성하면 → 업무 하루 동안 스트레스 변화를 비교할 수 있습니다.

2. SRS (Session Rating Scale)

• 정의:
  • 치료/상담 세션의 질을 사용자가 어떻게 경험했는지 평가하는 4문항 초단기 척도.
  • 각 문항은 시각적 아날로그 척도(0~10cm 선)에 표시하도록 되어 있음.
  • 네 가지 평가 영역:
    1. 관계 (Relationship) – 상담자/시스템과의 유대감
    2. 목표와 주제 합의 (Goals and Topics)
    3. 접근 방식·방법 (Approach or Method)
    4. 전반적 평가 (Overall)
• 사용 목적:
  • 상담이나 챗봇 같은 개입의 즉각적 효과성, 만족도를 평가.
  • 즉, 연구에서는 챗봇 세션 후 치료적 동맹(therapeutic alliance) 이 얼마나 형성되었는지 확인하는 지표로 사용됩니다.

---

논의, 결론 및 향후 연구 (Discussion, Conclusion, and Future Works)

연구 의의

• 전 세계적으로 정신건강 전문가 부족, 사회·문화·경제적 장벽 존재
• AI 챗봇은 이를 해결할 접근 가능하고 개인화된 솔루션 제공 가능
• 본 연구: EmLLM 개념 제안 → 웨어러블 데이터 + LLM 결합
  • SGML 모델: 원시 생리 데이터에서 시간-주파수 특징 자동 추출 → 스트레스·심리 상태 예측
  • EmLLM 챗봇: 스트레스 기반 맞춤형 CBT 대화 제공
• 확장 가능성: 노인 건강 모니터링, 특수직 훈련, 가상 동반자 등 다양한 분야 응용

향후 연구 방향

1. 예측 모델 확장: 직장 내 스트레스 관련 다른 심리 상태(예: 불안, 번아웃 등)도 포함
   • 사용자·환경 맥락 더 풍부하게 반영
   • 더 정밀한 맞춤형 대화 가능
2. LLM 커스터마이징 개선: 스트레스 관련 심리치료에 더 신뢰할 수 있는 fine-tuning 방법 탐구
3. 대규모 사용자 연구: 더 많은 참가자와 정교한 실험 프로토콜 적용하여 효과 검증