떠올린 감정 단어로 우울·불안·스트레스 점수를 예측할 수 있을까요?

상세 설명

현재 사용되는 대부분의 정서 척도와 글에 대한 감성 분석은 감정의 주된 차원인 정서가, 즉 긍정·부정의 정도를 정량화하는 데 초점을 맞춘다. 정신건강을 평가하려면 정서가는 비슷하지만 더 폭넓고 복잡한 부정적 감정들을 구별하는 것이 중요하다.

연구진은 글에서 우울, 불안, 스트레스를 추출하기 위한 준지도 머신러닝 모델 DASentimental을 제안했다. 회상한 감정 단어의 연속 목록 N = 200개가 회상자의 우울·불안·스트레스 척도(Depression Anxiety Stress Scale, DASS-21)로 측정한 우울, 불안, 스트레스와 어떻게 상관되는지 파악하도록 모델을 학습시켰다.

인지 네트워크 과학을 이용해 각 회상 목록을 단어 가방(bag-of-words, BOW) 벡터이자 의미 기억의 네트워크 표현 위를 이동하는 경로로 모델링했다. 이 연구에서 의미 기억의 네트워크 표현은 자유 연상이었다. 이 방법은 의미 기억 속 중심성인 연결 차수(degree)에 따라 BOW 항목에 가중치를 부여하고, 의미 네트워크 거리를 회상 단어의 표현에 반영해 이를 인지적 표현에 임베딩했다.

이 임베딩은 연구진이 최첨단 수준이라고 설명한 교차검증 예측으로 이어졌다. 예측 성능은 우울 R = 0.7, 불안 R = 0.44, 스트레스 R = 0.52였으며, 추가적인 인간 데이터를 사용한 이전 연구 결과와 동등했다. 다층 퍼셉트론 신경망으로 작동하는 DASentimental은 정서적 고통이 의미적으로 어떻게 조직되는지 탐구할 수 있는 길을 제시한다.

회상한 단어들 사이의 의미적 거리, 즉 경로 포괄 범위(walk coverage)는 우울 수준을 추정하는 데 핵심적이었지만, 불안과 스트레스 수준을 추정할 때는 중복 정보였다. ‘두려움(fear)’으로부터의 의미적 거리는 불안 예측을 개선했지만, ‘슬픔–행복(sad–happy)’ 쌍을 고려하면 중복 정보가 되었다.

연구진은 유서 142건으로 구성된 임상 데이터셋에도 DASentimental을 적용했다. 높음 또는 낮음으로 예측된 우울 및 불안 수준은 정서 원형 모형(circumplex model of affect)에서 예상하는 바와 같이 정서가와 각성도의 차이에 대응했다.

연구진은 글에서 스트레스, 불안, 우울을 감지하는 인공지능을 통해 가능해지는 향후 연구의 주요 방향을 논의한다.