PaperlayerView exact revision on arXiv

Source-linked AI summary

Pedagogical AI in Mental Health: A Tri-Stream Fine-Tuned LLM Framework for Automated Clinical Supervision and Risk Triage

Shreeya Sharma, Ravish Gupta, Saket Kumar, Abhishek Aggarwal

arXiv:2608.18438v1cs.CLcs.AIcs.LG

TL;DR

정신건강 supervision은 여전히 지연되고 있으며, 기존 연구는 supervision 지원보다 환자 대상 AI에 주로 초점을 맞춰 왔다. 이 논문은 fine-tuned Mistral-7B를 활용해 구조화된 supervision 보고서와 자동화된 risk triage를 생성하는 tri-stream VAL system을 개발했으며, 95% technique identification accuracy를 달성하고 triage latency를 72시간에서 15초 미만으로 단축했다.

  • 문제

    정신건강 AI 연구는 supervisory layer를 대체로 간과해 왔으며, 지연된 검토와 제한적인 감독이 임상적 risk를 관리하는 수련생에 대한 지원을 제약한다.

  • 방법

    fine-tuned Mistral-7B가 visual, acoustic, linguistic stream 전반에서 therapy session을 분석해 supervision 보고서를 생성하고 D-CUI를 통해 risk를 분류한다.

  • 결과

    106개 DAIC-WOZ session에서 95% technique identification accuracy와 15초 미만의 triage latency를 달성했다.

  • 시사점 및 한계

    이 system은 즉각적인 주의가 필요한 session을 표시하는 automated screening을 지원하고, supervisor의 임상적 판단을 위한 구조화된 근거를 제공한다.

  • 시사점 및 한계

    평가는 22개 test session, 두 가지 technique, semi-structured virtual-agent interview로 제한되므로, 성능이 naturalistic therapy에 일반화된다고 보기에는 아직 어렵다.

Abstract

from arXiv · show

Modern mental healthcare faces a critical shortage of senior supervisory oversight, leading to a "supervision gap" where novice therapists manage high-stakes risks with delayed professional feedback. This paper proposes a new framework utilizing a fine-tuned Mistral-7B-instruct model as an automated "Supervisor-in-the-Loop" system. By leveraging 106 sessions from the DAIC-WOZ dataset, the model performs a tri-stream analysis: (1) Therapeutic Alliance tracking via semantic adherence, (2) Latent risk prediction using attention-weighted analytics, and (3) Supervisory Triage via a Dynamic Clinical Urgency Index (D-CUI). Our multi-modal VAL (Visual-Acoustic-Linguistic) framework achieves 95% technique identification accuracy [95% CI: 75.1%-99.9%], alliance assessment MAE of 0.105 on a 5-point scale [95% CI: 0.059-0.151], therapeutic fidelity alpha = 0.423, and mean D-CUI of 0.370 [95% CI: 0.322-0.419]. Training converged in 105 steps with 85.2% loss reduction on a single Tesla T4 GPU. The system reduces supervisory triage latency from 72 hours to real time (~10 seconds per session), enabling proactive intervention in high-risk cases. The system addresses the cold-start problem through Bayesian priors and implements timestamp-based modality synchronization for robust multi-modal fusion.

1 서론

임상 supervision은 주간 검토 구조로 인해 지연되는 경우가 많아, supervisor-to-trainee 비율이 1:12를 초과하는 상황에서 긴급 위험이 해결되지 않은 채 남는다. 본 논문은 VAL 채널 전반에서 therapy session을 분석하고 위험도 우선 보고서를 생성하는 automated supervisor-in-the-loop를 통해 그동안 대체로 간과된 supervision 계층을 다룬다.

  • 임상 supervision gap: supervision gap으로 인해 자살성 공개, 트라우마 고백, therapeutic rupture가 72시간 동안 검토되지 않은 채 남을 수 있으며, supervisor-to-trainee 비율은 흔히 1:12를 초과한다.전통적인 회고적 사례 검토는 전문성 개발을 지원하지만, 긴급한 임상적 요구를 위해 설계된 것은 아니다.
  • 연구 공백: 기존 연구는 LLM을 환자 대상 도구에 집중해 온 반면, 품질 실패, trainee의 위험 대응, 구조적 수용 역량 압박이 수렴하는 supervision은 대체로 간과해 왔다.예로는 psychoeducation chatbot, 문서 작성 보조 도구, CBT scripted conversational agent가 있다.
  • 제안 시스템: 제안 시스템은 LLM을 automated supervisor-in-the-loop로 간주하고, Visual, Acoustic, Linguistic 채널을 통해 therapy session을 처리해 구조화된 위험도 우선 supervision report를 생성한다.이 연구는 clinical AI 의사결정의 explainability 와 healthcare AI system의 identity and access management 를 다룬 선행 그룹 연구를 기반으로 한다.
  • Tri-stream architecture: tri-stream VAL architecture는 100Hz COVAREP audio, 30fps OpenFace video, transcript를 동시에 처리하고, 각 modality를 발화 경계에 맞춰 snapping하여 정렬한다.이 설계는 세 sampling rate 간 synchronization 문제를 다룬다.
  • 위험도 우선 triage: D-CUI는 risk probability, symptom severity, inverted therapist experience, session-level sentiment volatility를 입력으로 사용해 supervision을 분기한다.therapist experience를 반전하면 경험 부족이 urgency를 증폭시킨다.

2 관련 연구

정신건강 AI는 정형화된 CBT 챗봇에서 multimodal detection과 LLM 기반 치료적 응답으로 발전해 왔지만, 기존 시스템은 clinical supervision보다 환자 측 과업에 계속 초점을 두고 있다. DAIC-WOZ 연구 역시 우울증 분류를 강조해 왔으며, 이는 supervisory analysis를 위한 시간적으로 정렬된 VAL framework의 필요성을 뒷받침한다.

  • 관련 연구: 기존 시스템은 정형화된 CBT, 음성 기반 우울증 탐지, transformer 기반 자살 위험 선별, LLM이 생성한 치료 응답을 포괄한다 [10].Woebot은 2017년에 정형화된 CBT 챗봇으로 출시되었고, 이후 시스템은 deep learning, transformer, therapist와 유사한 LLM 응답으로 확장되었다.
  • 감독 공백: 문헌은 대체로 환자 측 선별, 대화, 모니터링 또는 문서화에 초점을 맞추며, 임상 품질을 관장하는 supervisory layer는 다루지 않은 채 남겨 두고 있다.기존 평가는 supervisory review와 clinical governance보다 사용자 만족도와 증상 감소를 강조한다.
  • 데이터셋과 기존 benchmarking: DAIC-WOZ 는 189명의 참여자로부터 음성, 영상, 전사문, PHQ-8 주석이 포함된 반구조화 multimodal 인터뷰를 제공한다.이 corpus는 정신건강 AI를 위한 multimodal benchmark이지만, 기존 연구는 주로 우울증과 그 중증도 분류에 집중해 왔다.
  • Multimodal Fusion: DAIC-WOZ에서 text-only 우울증 탐지는 F1 = 0.67에 도달하고, 음성을 추가하면 0.77로 상승하며, 시각 입력은 추가적인 점진적 이점을 제공한다.이러한 향상은 100Hz 음성, 30fps 영상, 발화 수준 텍스트 간 정렬 문제로 제한되며, fusion misalignment는 상당한 noise를 유입할 수 있다.
  • 방법론적 동기: 제안하는 VAL framework는 timestamp-based windowing을 사용해 임상적으로 의미 있는 시간적 맥락을 보존하면서 frame-level cross-modal attention에 필요한 GPU 메모리 부담을 피한다.이러한 의도적인 절충은 세션 시간에 따라 사건을 구분한다. 예를 들어 3분 시점이 아닌 23분 시점의 음향적 distress를 식별한다.

3 시스템 아키텍처 · 3.1 개요 · 3.2 VAL 수집 엔진

이 시스템은 tri-stream VAL 아키텍처를 사용해 시각·음향·언어 신호를 추출하고, 세션 표현을 융합한 뒤 D-CUI를 통해 사례를 라우팅한다. 단계적 파이프라인은 입력을 정렬한 후 fidelity 분석, risk triage, supervisory guidance 생성을 수행한다.

  • 3.1 개요: Visual stream은 30 fps에서 OpenFace facial Action Units를 분석해 정서, 참여도, 불일치하는 distress 신호를 탐지한다.Safety-critical incongruence에는 언어로 distress를 부인하면서 AU12 없이 AU1과 AU4 같은 facial distress marker가 나타나는 경우가 포함된다.
  • 3.1 개요: Acoustic stream은 100 Hz에서 F0 variability와 Voice Unvoiced mean을 포함한 COVAREP feature를 처리해 표현력, 유창성, pause, flat affect, agitation을 포착한다.이러한 paralinguistic signal은 transcript text만으로는 놓칠 수 있는 상태를 포착한다.
  • 3.1 개요: Linguistic stream은 transcript에 fine-tuned Mistral-7B-instruct를 적용해 therapeutic technique, alliance marker, suicidal ideation, hopelessness language를 식별한다.탐지되는 technique의 예로는 Reflective Listening과 Open-Ended Questioning이 있다.
  • 3.1 개요: VAL은 Visual, Acoustic, Linguistic stream을 통해 therapy session을 처리하고, 발화 경계에서 출력을 융합하며, D-CUI를 통해 사례를 escalation 또는 routine review로 라우팅한다.이 아키텍처는 supervisory outcome을 라우팅하기 전에 fidelity, affect incongruence, clinical risk를 분석한다.
  • 3.1 개요: D-CUI는 patient risk, symptom severity, therapist experience, within-session sentiment volatility를 하나의 urgency score로 결합해 escalation 또는 routine review를 결정한다.세 stream 모두에서 융합된 session-level representation이 이 routing 계산에 입력된다.
  • 3.2 VAL 수집 엔진: four-stage pipeline은 stream을 정렬하고 정규화하며, therapeutic fidelity를 score하고, D-CUI를 계산하고, routing과 함께 supervisory guidance를 생성한다.이 순서는 정렬되지 않은 fidelity 분석으로 인한 noise를 방지하고 triage가 report generation에 선행되도록 한다.

양식 동기화 및 시간적 정렬 … 시각 스트림

이 framework는 acoustic stream과 visual stream을 transcript로 정의된 발화 구간에 동기화한 뒤, Mistral-7B를 사용해 치료 기법, therapeutic alliance, risk를 분석한다. Visual incongruence detection은 언어적 안심과 얼굴의 distress가 충돌할 때 supervisory urgency를 증폭한다.

  • 양식 동기화 및 시간적 정렬: Transcript로 정의된 발화 경계는 100Hz COVAREP audio와 30fps OpenFace video를 정렬하며, lossy aggregation을 통해 임상적으로 중요한 시간 구조를 보존한다.두 stream 모두 전체 session에 걸쳐 평균을 내는 대신 DAIC-WOZ 발화 시작/종료 marker에 맞춰 정렬된다.
  • 양식 동기화 및 시간적 정렬: Acoustic mean, Action Unit mean, raw transcript text를 session vector로 연결하고 Mistral-7B를 위한 자연어로 직렬화한다.각 turn t_i에서 acoustic 및 visual feature는 [s_i:e_i]에 대해 mean-pooling된다.
  • 언어 스트림: Mistral-7B는 Reflective Listening, Open-Ended Questioning, alliance marker와 suicidal ideation, self-harm, hopelessness, safety concern을 포함한 risk에 tag를 부여한다.Alliance marker에는 협력적 언어, 공감, 목표 합의, rupture indicator가 포함된다.
  • 음향 스트림: COVAREP 는 F0 standard deviation과 Voice Unvoiced mean을 제공해 pitch variability, speech continuity, silence, hesitation, fragmentation을 포착한다.낮은 F0 variance는 depression에서 flat affect와 상관되며, 높은 Voice Unvoiced 값은 hesitation 또는 fragmentation을 나타낸다.
  • 시각 스트림: OpenFace 는 임상적으로 중요한 Action Unit, gaze direction, verbal–facial mismatch를 사용해 distress, engagement, incongruent-affect indicator를 추적한다.Distress에는 AU1, AU4, AU15가 포함되며, engagement에는 AU12, AU26, gaze direction이 포함된다.
  • 시각 스트림: VADER sentiment가 0.3을 초과하고, AU01 또는 AU04가 0.5를 초과하며, AU12가 0.3 미만으로 유지될 때 incongruence가 발생한다.이 rule은 미소 signal 없이 얼굴의 brow-raising 또는 brow-lowering이 나타나는 가운데 distress를 언어적으로 부인하는 상황을 겨냥한다.
  • 시각 스트림: Incongruent affect가 발생하면 Δϕ=0.4가 (1+Δϕ)를 통해 D-CUI를 곱셈 방식으로 증폭해, 다른 risk indicator가 중간 수준이더라도 supervisory review를 촉발한다.Visual stream의 safety-critical 역할은 얼굴의 distress가 언어적 안심과 충돌하는 환자를 식별하는 데 있다.

3.3 치료적 충실도 분석기 · 3.4 위험 선별 모듈 · 동적 임상 긴급도 지수(D-CUI)

Therapeutic Fidelity Analyzer는 근거 기반 방법에 대한 준수도를 정량화하고, D-CUI는 위험도, 증상 중증도, 치료자 경험, 정서 변동성을 사용해 감독 검토가 필요한 세션의 우선순위를 정한다. Bayesian 초기화와 경험 업데이트를 통해 과거 데이터가 제한적인 치료자에게도 선별을 확장한다.

  • 3.3 치료적 충실도 분석기: Therapeutic Fidelity(α)는 세션 임베딩(VT)과 임상 매뉴얼 임베딩(VM) 간 cosine similarity로 정의된다.
  • 3.3 치료적 충실도 분석기: 충실도 점수가 0.5를 초과하면 높은 준수도, 0.3에서 0.5 사이라면 부분 준수도를 나타내며, 0.3 미만인 점수는 감독자의 주의가 필요한 일탈을 표시한다.
  • 동적 임상 긴급도 지수(D-CUI): D-CUI는 네 가지 임상 및 감독 요인을 결합해 즉각적인 감독이 필요한 세션과 일상적 검토로 충분한 세션을 구분한다.
  • 동적 임상 긴급도 지수(D-CUI): D-CUI = (w1R + w2S + w3(1 − E)) · (1 + Δϕ)이며, 경험적으로 조정된 가중치는 w1 = 0.40, w2 = 0.35, w3 = 0.25다.
  • 동적 임상 긴급도 지수(D-CUI): 위험 확률, PHQ-8 기반 증상 중증도, 치료자 경험, 세션 내 정서 변동성이 D-CUI 입력을 정의한다.R, S, E의 범위는 0에서 1이며, Δϕ는 정서적 불안정성을 포착하고 E는 정규화된 임상 실무 연수를 나타낸다.
  • 3.4 위험 선별 모듈: (1 − E) 항은 초보 치료자가 고위험 내담자를 치료하는 경우 긴급도를 높이며, 환자만을 대상으로 하는 위험 모델이 간과하는 감독 상황을 구분한다.
  • 동적 임상 긴급도 지수(D-CUI): 치료자 경험을 이용할 수 없을 때 시스템은 초기 경력 prior로 E0 = 0.3을 설정하고, 세션 데이터가 축적됨에 따라 exponential moving average를 통해 E를 업데이트한다.이 prior는 의도적으로 더 폭넓은 감독 범위를 우선한다.

콜드 스타트 문제 대응 · 감정 변동성 (∆ϕ) · 3.5 감독 지침 생성기

이 framework는 치료사 경험이 확보되면 β = 0.7 smoothing을 적용해 콜드 스타트 supervision에 대응하고, 순차적 감정 변화를 통해 감정 변동성을 정량화하며, D-CUI 점수를 단계별 supervisory guidance로 매핑한다. Immediate case에는 transcript에 근거한 alert와 safety protocol이 작동하고, Elevated case에는 우선 검토가 부여된다.

  • 콜드 스타트 문제 대응: 콜드 스타트 smoothing은 β = 0.7을 사용하며, Eobserved는 확보된 시점의 치료사가 문서화한 경험 수준을 나타낸다.이 smoothing factor는 관찰된 경험을 확보하기 전 경험을 반영한 초기화를 지원한다.
  • 콜드 스타트 문제 대응: 콜드 스타트 mechanism은 Eobserved가 확보되면 문서화된 치료사 경험을 사용해 supervision을 업데이트한다.이 조건은 초기화 단계와 이후 경험 기반 추정을 구분한다.
  • 감정 변동성 (∆ϕ): 감정 변동성은 session 내에서 위기 상태나 therapeutic rupture를 나타낼 수 있는 급격한 감정 변화를 포착한다.이는 문장 수준 sentiment score의 절대 변화율 평균으로 계산된다.
  • 감정 변동성 (∆ϕ): ∆ϕ 계산은 전반적인 sentiment dispersion보다 순차적 감정 전이를 강조한다.ϕ_i는 문장 i의 sentiment score를 나타낸다.
  • 3.5 감독 지침 생성기: D-CUI가 0.7을 초과하면 escalation을 유발한 transcript 문장과 매핑된 safety protocol을 포함하는 Immediate alert가 작동한다.이 alert는 요약이 아닌 실제 source material을 제공하므로, 조치 전에 supervisory disagreement를 허용한다.
  • 3.5 감독 지침 생성기: D-CUI가 0.4와 0.7 사이이면 Elevated로 분류되며 현재 supervisory cycle 내 우선 검토 대상으로 표시된다.이 tier는 routine review보다 높지만 emergency로 취급되지는 않는다.

4 구현

구현은 접근 가능한 임상 하드웨어에서 배포 가능하고 감사 가능한 supervision을 지원하기 위해 Mistral-7B-instruct [18]와 QLoRA [19]를 사용한다. 동기화된 멀티모달 학습 데이터를 준비하고 privacy, uncertainty, high-risk routing safeguards 를 적용한다.

  • 모델 선택: Mistral-7B-instruct [18]는 4-bit quantization, Apache 2.0 기반 on-premise 운영, 템플릿형 supervision 보고서에 적합한 instruction-following 출력을 통해 기관 배포 제약을 충족한다.약 2 GB의 저장 공간과 5.6 GB의 inference GPU memory가 필요해 Tesla T4에 탑재할 수 있으며, 감사 가능성을 지원하고 transcript를 기관 인프라 내부에 유지한다.
  • 데이터 준비: 파이프라인은 녹음을 diarization하고, acoustic 및 visual feature를 추출하며, stream을 발화 경계에 맞춰 정렬하고, 규칙으로 라벨링한 synthetic supervision example을 Alpaca instruction-tuning format으로 변환한다.라벨은 therapeutic technique, alliance marker, clinical concern을 포함하며, 추가 prompt와 response는 Claude Sonnet 4.6 Thinking을 사용해 synthetic하게 생성했다.
  • 학습 전략: QLoRA [19] fine-tuning은 2e-4 learning rate, batch size 4, rank 64, alpha 16, five epochs를 사용하며, Tesla T4 한 대에서 105 steps로 완료된다.학습에는 paged AdamW 32-bit optimizer로 2시간 44분이 걸렸다.
  • Privacy 및 거버넌스: 시스템은 식별 정보를 제거하고, 저장 및 전송을 end-to-end로 암호화하며, 역할에 따라 접근을 제한하고, 모든 접근 이벤트를 기록하며, 세션 전에 AI 관여를 고지한다.이러한 통제는 치료 과정에서 공개되는 민감한 내용에 대응하고 세션 데이터 접근을 supervising clinician으로 제한한다.
  • 안전 제약: 신뢰도가 낮은 출력은 uncertainty deferral을 유발하며, suicidal ideation 또는 abuse disclosure는 triage를 우회해 즉시 경보를 생성한다.이 routing 설계는 신뢰도가 낮을 때 권위적으로 보이는 recommendation을 피하고, 긴급 safety signal을 자동화된 queue 처리에서 제외한다.

5 실험 평가

22개의 보류된 DAIC-WOZ 세션에서 모델은 치료 기법 인식 성능이 높고 동맹 평가 오차가 낮았으며, 감독 트리아지를 72시간 대기열에서 거의 실시간으로 전환했다. D-CUI는 정서 불일치를 반영해 임상적으로 중요한 사례의 우선순위를 높였지만, 일상적인 선별 세션에서는 이 조정 효과가 미미했다.

  • 5 실험 평가: 평가에는 106개의 DAIC-WOZ 세션이 사용되었으며, random seed 42를 사용해 84개의 학습 세션과 22개의 보류된 테스트 세션을 선정했다.평가에서는 보류된 치료 기법 식별 성능과 기존 주간 감독 검토보다 빠른 긴급 사례 라우팅을 검증했다.
  • 5 실험 평가: 85.2% cross-entropy loss reduction이 105단계의 수렴과 함께 나타났으며, end-to-end 처리는 감독 대기열의 72시간 대신 세션당 15초 이내에 완료되었다.학습은 Tesla T4에서 2시간 44분이 걸렸고, 분석에는 8–12초, D-CUI 계산에는 1밀리초 미만이 필요했다.
  • 5 실험 평가: 정서 불일치를 ∆ϕ = 0.4로 설정하자 저위험 세션의 D-CUI가 0.283에서 0.395로 증가해 Elevated threshold에 근접했다.시각 스트림을 제외하면 해당 세션은 Routine band 안에 머물렀으며, D-CUI raw score는 [0, 1]로 클램핑된다.
  • 5 실험 평가: DAIC-WOZ corpus에서 ∆ϕ는 0.00에서 0.02 범위였으며, 선별 과정의 dynamics가 안정적이어서 D-CUI adjustment는 less than 2%였다.∆ϕ term은 일상적인 선별이 아니라 급성 시나리오에서 활성화되도록 설계되었다.

6 논의

이 framework는 임상 supervision을 대체하는 것이 아니라 supervisory attention이 필요한 session을 표시하는 automated screening aid로 자리매김한다. Preliminary expert rating은 report intelligibility를 뒷받침하지만, 제한된 data와 좁은 scope, privacy risk, deployment constraint를 고려해 신중하게 해석해야 한다.

  • 실천적 함의: 이 system은 즉각적인 attention이 필요한 session의 10–15%를 표시하고 구조화된 근거를 제공하여, supervisor가 routine monitoring이 아니라 clinical judgment에 집중할 수 있도록 하는 것을 목표로 한다.95% technique-identification 결과는 두 가지 technique과 22개 session에서 얻은 proof of concept이지, clinical readiness의 근거가 아니다.
  • 새로움: D-CUI는 patient risk factor와 함께 therapist experience를 반영하여, supervisory urgency가 client risk와 clinician experience 모두에 의존하는 것으로 다룬다.이는 동일한 high-risk client를 담당하더라도 supervisor의 experience 수준이 크게 다를 수 있는 상황을 구분한다.
  • Multimodal 기여: Multimodal analysis는 facial marker와 flat affect, speech fragmentation 같은 임상적으로 의미 있는 acoustic cue를 통해 transcript로는 포착할 수 없는 incongruent affect를 탐지한다.visual stream은 verbal content와 모순될 수 있으며, D-CUI는 urgency를 증폭한다. 낮은 F0 variance와 높은 VUV는 서로 구별되는 acoustic evidence를 제공한다.
  • 한계와 향후 연구: 근거는 22개의 semi-structured DAIC-WOZ session, 두 가지 technique, 하나의 Mistral-7B model, longitudinal context가 없는 isolated session, 그리고 CBT-oriented training data로 제한된다.저자들은 naturalistic therapy data, 더 폭넓은 technique taxonomy, longitudinal tracking, real-time monitoring integration을 제안한다.
  • 임상적 사용성: 임상적 relevance 4.2/5.0, triage appropriateness 3.9/5.0, actionability 4.0/5.0가 22개 report를 검토한 5명의 supervisor에 의해 보고되었으며, Cohen’s κ = 0.61이었다.이 평가는 clinical intelligibility에 대한 preliminary evidence를 제공하지만, small sample과 controlled setting으로 제한되었다.
  • 윤리와 deployment: Deployment에는 disclosure, HIPAA verification, anonymization, encryption, role-gated access, 의미 있는 supervisor review, bias monitoring, genuine client opt-out path가 필요하다.AI processing은 새로운 exposure point를 만들고, population에 따라 성능이 고르지 않을 수 있으며, therapy 중 client의 발화 방식을 바꿀 수 있다.

7 결론

tri-stream fine-tuned Mistral-7B 시스템은 시각·음향·언어 모달리티 전반에서 치료 세션을 분석해 구조화된 supervision report와 자동화된 risk triage를 생성한다. 106개 DAIC-WOZ 세션에서 95% technique identification accuracy를 달성하고 triage latency를 72시간에서 15초 이내로 단축하면서도 proof-of-concept 수준에 머문다.

  • 결론: 95% technique identification accuracy와 15초 이내의 triage latency는 106개 DAIC-WOZ 세션 전반에서 시스템의 핵심 기여를 보여준다.시스템은 시각·음향·언어 모달리티를 분석해 자동화된 risk triage를 포함한 구조화된 supervision report를 생성한다.
  • 결론: 평가는 22개 test session, 두 가지 기법, 반구조화 면담으로 구성된 하나의 dataset에 기반한 proof-of-concept 수준에 머문다.이러한 제약은 추가적인 검토가 필요함을 의미한다.
  • 결론: 시스템은 며칠이 아니라 몇 초 만에 즉각적인 주의가 필요한 세션을 식별함으로써 구조적인 supervision 문제를 다루지만, 임상적 판단, 공감, 책임은 supervisor에게 남긴다.supervisory responsibility를 대체하는 대신 모니터링 부담을 줄인다.

이해관계 공개

저자들은 본 연구가 독립적으로 수행되었으며, 명시된 소속 기관과 관련되거나 이를 대표하지 않고, 관련된 경쟁 이해관계가 없다고 밝힌다.

  • 본 연구는 독립적으로 수행되었다.
  • 본 연구는 Microsoft, BigCommerce 또는 Amazon에서 저자들이 맡은 직책과 관련되지 않으며, 해당 기관들의 견해나 이해관계를 대표하지도 않는다.
  • 저자들은 이 논문과 관련된 경쟁 이해관계가 없음을 선언한다.
Loading 2608.18438v1…