[연구의 필요성]

인지행동치료(CBT)는 효과가 잘 입증된 심리치료 기법이지만, 이를 AI 시스템으로 구현하는 데에는 한계가 존재한다. 소형 언어모델(SLM)은 치료적 추론을 안정적으로 수행하기 어렵고, 반면 대형 언어모델(LLM)은 저자원 환경에 배포하기에는 연산·비용·데이터 프라이버시 측면에서 부담이 크다. 특히 인지 재구조화(cognitive reframing)와 같은 CBT 핵심 기법은 임상적 감독을 위해 모델의 추론 과정이 설명 가능해야 하지만, 기존 대화형 CBT 시스템들은 규칙 기반 방식에 머물러 있거나 내담자의 인지 상태 변화를 구조적으로 추적하지 못한다는 한계를 보였다. 이에 따라 경량 모델로도 CBT의 이론적 구조를 따르는 설명 가능한 대화 상태 추적(dialogue state tracking) 프레임워크의 필요성이 제기된다.

[포스텍이 가진 고유의 기술]

본 연구에서는 인지 재구조화를 과업지향형 대화(Task-Oriented Dialogue, TOD) 문제로 재정의하고, 사건(Event)·생각(Thought)·증상(Symptom)·인지왜곡(Cognitive Distortion)·내담자 인지왜곡(Client Cognitive Distortion)의 다섯 가지 신념 상태(belief state)를 명시적으로 추적하는 대화 상태 추적 모듈을 설계하였다. 이를 뒷받침하기 위해 공황장애를 대상으로 한 6,800여 개의 합성 대화 데이터셋 CREPAN(Cognitive REframing for PANic disorder)을 구축하였다. 또한 사건이 아니라 그 사건에 대한 해석이 정서적 반응을 유발한다는 심리학 이론인 Ellis의 ABC 모델에 이론적 근거를 둔 순차적 자기공급 슬롯 예측 기법 S³(Sequential Self-feeding Slot Prediction)를 제안하였다.
 S³는 Event→Thought→Symptom→Cognitive Distortion→Client Cognitive Distortion→System Response의 인과적 순서에 따라 각 단계의 예측값을 다음 단계의 입력으로 재사용함으로써, SLM도 LLM에 준하는 치료적 추론을 수행할 수 있도록 하는 경량 스캐폴딩 구조이다.

[연구의 의미]

S³을 적용한 T5(S³-T5)는 JGA(Joint Goal Accuracy) 0.7781을 기록하며 80억 파라미터 규모의 LLaMA-3(0.7423), Qwen-3(0.7291)를 능가하는 성능을 보였으며, 자유형 텍스트 슬롯 평가를 위해 새롭게 제안한 Soft Match 지표에서도 모든 LLM 기준선을 상회하였다. 이는 CBT 스타일 대화 상태 추적에서 성능을 좌우하는 핵심 요인이 모델의 파라미터 규모가 아니라 인지이론에 기반한 구조적 추론 순서임을 실증적으로 보여준다. 아울러 순서를 무작위화하거나 역순으로 바꾼 절제 실험에서 일관되게 성능이 저하됨을 확인하여, S³의 예측 순서가 임의적인 것이 아니라 CBT의 인과적 논리를 반영한 것임을 검증하였다. 이러한 결과는 자원 제약 환경에서도 임상적으로 신뢰할 수 있는 설명 가능한 디지털 정신건강 시스템 구축이 가능함을 시사한다.

[연구결과의 진행 상태 및 향후 계획]

본 연구는 ACM Transactions on Computing for Healthcare에 출판을 앞두고 있으며, S³ 코드와 CREPAN 데이터는 GitHub를 통해 공개되어 있다. 향후에는 다른 질환군으로의 일반화 가능성을 검증하고 임상 전문가 평가를 통해 확장할 계획이다.

[성과와 관련된 실적]

ACM Transactions on Computing for Healthcare, Just Accepted (2026) / 김수빈, 김훈래, 이근배 / S³: Sequential Self-feeding Slot Prediction for Explainable Cognitive Reframing in Task-Oriented Dialogue

[성과와 관련된 이미지]