사용자 디지털 기록으로부터 우울증 상태 변화를 설명 가능한 방식으로 탐지

Explainable Detection of Depression Status Shifts from User Digital Traces

사용자는 매일 소셜 미디어 게시물, 채팅, 온라인 상호작용 등 다양한 디지털 기록을 생성하며, 이러한 기록은 시간 정보와 함께 사용자의 정신 건강 상태를 반영할 수 있습니다. 이러한 기록들은 사용자의 정신 건강 신호가 어떻게 변화하는지, 즉 개선, 악화 또는 안정 단계 등을 포착하는 시간적 경향성을 나타냅니다. 본 연구에서는 사용자 디지털 기록으로부터 우울증 관련 상태 변화를 탐지하고 분석하기 위한 설명 가능한 프레임워크를 제안합니다. 제안하는 방법은 여러 개의 BERT 기반 모델을 결합하여 다양한 측면(예: 감성, 감정, 우울증 심각도)에서 상호 보완적인 신호를 추출합니다. 추출된 신호들은 시간에 따라 통합되어 사용자 수준의 경향성을 구성하고, 이를 분석하여 의미 있는 변화 지점을 식별합니다. 해석 가능성을 높이기 위해, 대규모 언어 모델을 통합하여 정신 건강 신호의 변화 과정을 간결하고 사람이 읽기 쉬운 형식으로 설명하는 보고서를 생성합니다. 제안하는 프레임워크는 두 개의 소셜 미디어 데이터셋을 사용하여 평가되었으며, 그 결과는 기존의 대규모 언어 모델 기반 보고 방식보다 더 일관성 있고 유용한 요약 정보를 제공하며, 사용자 기록의 더 넓은 범위를 포함하고, 시간적 일관성이 강하며, 변화 지점에 대한 민감도가 높다는 것을 보여줍니다. 추가 분석을 통해 각 구성 요소의 기여도를 확인했으며, 특히 시간 모델링 및 분할이 중요한 역할을 수행함을 확인했습니다. 전반적으로, 본 방법은 시간 경과에 따른 정신 건강 신호에 대한 해석 가능한 정보를 제공하며, 임상 진단을 목표로 하지 않고 연구 및 의사 결정을 지원합니다.

Every day, users generate digital traces (e.g., social media posts, chats, and online interactions) that are inherently timestamped and may reflect aspects of their mental state. These traces can be organized into temporal trajectories that capture how a user's mental health signals evolve, including phases of improvement, deterioration, or stability. In this work, we propose an explainable framework for detecting and analyzing depression-related status shifts in user digital traces. The approach combines multiple BERT-based models to extract complementary signals across different dimensions (e.g., sentiment, emotion, and depression severity). Such signals are then aggregated over time to construct user-level trajectories that are analyzed to identify meaningful change points. To enhance interpretability, the framework integrates a large language model to generate concise and human-readable reports that describe the evolution of mental-health signals and highlight key transitions. We evaluate the framework on two social media datasets. Results show that the approach produces more coherent and informative summaries than direct LLM-based reporting, achieving higher coverage of user history, stronger temporal coherence, and improved sensitivity to change points. An ablation study confirms the contribution of each component, particularly temporal modeling and segmentation. Overall, the method provides an interpretable view of mental health signals over time, supporting research and decision making without aiming at clinical diagnosis.