다중 에이전트 토론 프레임워크를 활용한 수면 잠복기 예측을 위한 전문가 분석 및 프롬프트 아키텍처

섹션 1: SOL 예측의 임상적 및 데이터 중심적 맥락

본 보고서는 드문 간격의 종단적 설문 데이터를 기반으로 수면 잠복기(Sleep Onset Latency, SOL)를 예측하도록 설계된 LLM 에이전트 시스템에 대한 심층 분석을 제공합니다. 심리적 추론과 다중 에이전트 "토론의 연쇄(Chain of Debate, COD)" 프레임워크를 결합한 이 시스템의 독특한 아키텍처는 상당한 기회와 복잡한 과제를 동시에 제시합니다. 이 분석의 핵심은 기본 에이전트의 프롬프트를 최적화하여 미묘한 심리적 평가를 수행하고 구조화된 토론에 효과적으로 참여할 수 있도록 보장하는 데 있습니다. 핵심 과제는 입력 데이터의 본질에 있습니다. 2주 간격으로 수집된 주관적인 자가 보고 데이터는 단순한 데이터 상관관계를 훨씬 뛰어넘는 정교한 추론 접근법을 요구합니다.

1.1 수면 잠복기의 이중성: 인식 대 현실

자가 보고 데이터로 SOL을 예측할 때의 근본적인 과제는 주관적 인식과 객관적 현실 사이에 잘 알려진 불일치가 존재한다는 점입니다.1 이는 측정 오류가 아니라 예측 시스템이 반드시 고려해야 할 임상적으로 중요한 현상입니다. 불면증 환자들은 다중수면잠복기검사(PSG)나 활동기록기(actigraphy)와 같은 객관적인 측정치보다 더 심각한 수면 방해를 보고하는 경우가 많습니다.1 연구에 따르면, 객관적인 활동기록기 측정 SOL에서 유의미한 차이가 없음에도 불구하고, 잠들기 전 불안과 인지적 각성 같은 요인들이 더 높은 자가 보고 SOL과 강하게 연관되어 있음이 나타났습니다.2

인식과 현실 사이의 이러한 격차는 LLM 에이전트가 설문 데이터를 SOL에 대한 가감 없는 진실로 취급할 수 없음을 시사합니다. 대신, 데이터는 사용자의 심리적 상태라는 렌즈를 통해 해석되어야 합니다. 불면증과 흔히 동반되는 심리적 고통은 환자들이 수면 방해에 대한 보고를 과장하게 만들 수 있습니다.1 이는 불안에 의해 무의식적으로 증폭되거나, 더 적극적인 치료를 유도하기 위해 자신의 고통의 심각성을 전달하려는 잠재의식적 노력일 수 있습니다.

결과적으로, 예측 과업은 변형됩니다. 이는 단순히 설문 점수를 SOL 값에 매핑하는 것이 아닙니다. 이는 사용자의 심리적 상태—불안, 우울, 수면 관련 걱정 수준—를 그들이 수면을 인식하고 보고하는 방식에 체계적으로 영향을 미치는 "왜곡장(distortion field)"으로 모델링하는 것입니다. 단순히 높은 불면증 심각도 지수(ISI) 점수를 높은 SOL 값과 연관시키는 모델은 임상적으로 순진합니다. 더 정교한 모델은 먼저 전체 설문지 세트에서 근본적인 심리적 동인을 추론한 다음, 그 추론을 사용하여 사용자의 수면 어려움에 대한 직접적인 보고를 맥락화해야 합니다. 프롬프트는 LLM이 이 두 단계의 추론 과정을 수행하도록 유도해야 합니다: 첫째, 심리 상태 평가, 둘째, 그 평가에 기반한 보고된 SOL 예측.

1.2 심리 측정 입력 해부: 설문지가 실제로 측정하는 것

시스템의 입력은 1, 2, 4, 6주차에 시행된 여러 검증된 심리 측정 설문지로 구성됩니다. 효과적으로 추론하기 위해, 에이전트는 각 도구가 무엇을 측정하고 그 구성 개념들이 어떻게 상호 작용하여 SOL에 영향을 미치는지에 대한 깊이 있는, 항목 수준의 이해를 가져야 합니다.

불면증 심각도 지수 (Insomnia Severity Index, ISI): ISI는 이 과업의 초석입니다. 이는 불면증 심각성에 대한 환자의 인식, 그것이 주간 기능에 미치는 영향, 그리고 그것이 유발하는 고통의 수준을 정량화하기 위해 특별히 설계된 자가 보고 도구입니다.3 수면 일지 데이터 및 SOL과 같은 객관적인 PSG 변수와 상관관계가 있는 것으로 나타났지만, 주요 결과물은 인식된 어려움의 척도입니다.5 ISI의 첫 번째 항목은 사용자에게 "잠드는 데 어려움"을 평가하도록 직접적으로 질문하여, 주관적이지만 SOL에 대한 직접적인 신호를 제공합니다.3
환자 건강 설문지-9 (Patient Health Questionnaire-9, PHQ-9): PHQ-9는 주로 우울증 선별 도구입니다.7 우울증과 불면증 사이의 높은 동반이환율 때문에 그 포함이 중요합니다. 수면 클리닉의 연구에 따르면, 이 환경의 환자들은 다른 전문 클리닉의 환자들보다 우울증 양성으로 선별될 가능성이 훨씬 높습니다.8 더욱이, PHQ-9 점수는 ISI 점수를 예측하는 것으로 나타나, 우울 증상과 인식된 불면증 심각성 사이에 강한 관계가 있음을 시사합니다.9 에이전트가 처리해야 할 중요한 미묘함은 3번 항목의 문구입니다: "잠들거나 잠을 계속 자기 어렵거나, 또는 너무 많이 잠".10 이 항목은 뚜렷이 다른 임상 현상인 불면증(수면 어려움)과 과다수면(너무 많이 잠)을 혼합합니다. 에이전트의 프롬프트는 다른 데이터의 맥락에서 이 항목을 해석하도록 유도해야 합니다; ISI 점수가 높을 때, PHQ-9 3번 항목의 높은 점수는 거의 확실하게 불면증을 가리킵니다.
범불안장애-7 (Generalized Anxiety Disorder-7, GAD-7): 불안은 수면 개시 불면증의 핵심 동인입니다. 이는 걱정, 반추, 생리적 과각성을 특징으로 하며, 이 모든 것은 수면 시작과 양립할 수 없습니다.12 다중수면잠복기검사 연구에 따르면, GAD를 앓는 아동들은 건강한 대조군에 비해 객관적인 SOL이 상당히 증가한 것으로 나타났습니다.12 이 발견은 불안이 단지 주관적 보고를 부풀리는 지각적 왜곡 요인이 아니라, 사람이 잠드는 것을 물리적으로 방해하는 직접적이고 인과적인 요인이 될 수 있음을 시사하기 때문에 매우 중요합니다.

고급 분석 접근법은 에이전트가 각 설문지를 개별적으로 분석하는 것을 넘어서도록 요구합니다. 시간이 지남에 따라 다른 설문지들 간의 변화 패턴은 훨씬 더 풍부한 진단 신호를 제공합니다. 예를 들어, 사용자의 ISI 점수는 감소하고(불면증 인식이 개선되고 있음을 나타냄) PHQ-9 점수는 증가하는(우울증이 악화되고 있음을 나타냄) 시나리오는 중요한 임상적 경고 신호입니다. 이 패턴은 수면 특정 개입이 긍정적인 효과를 보이고 있지만, 근본적인 기분 장애가 해결되지 않아 향후 수면 문제 재발의 상당한 위험을 내포하고 있음을 시사할 수 있습니다. 따라서 에이전트의 프롬프트는 데이터를 독립 변수가 아닌 사용자의 전체적인 심리 상태를 반영하는 상호 연결된 시스템으로 취급하여, 다른 점수들의 궤적을 비교하고 그들의 임상적 상호작용에 대해 가설을 세우도록 명시적인 지침을 포함해야 합니다.

설문지 및 항목	측정된 심리적 구성 개념	연구 결과 요약 및 SOL과의 연관성
ISI Q1	인식된 수면 개시 어려움	사용자의 주관적인 SOL 경험을 직접 측정합니다. 자가 보고 SOL과 강하게 상관되지만, 동반된 불안과 우울에 의해 부풀려질 수 있습니다.1
ISI 총점	전반적인 인식된 불면증 심각도	불면증의 심각성과 주간 영향에 대한 사용자의 인식을 정량화합니다. 높은 총점은 상당한 고통을 나타내며, 이는 SOL의 인식을 증폭시킬 수 있습니다.3
PHQ-9 Q3	우울의 신체적 증상(수면)	"잠들거나 잠을 계속 자기 어렵거나, 또는 너무 많이 잠"을 평가합니다. 불면증과 과다수면을 혼합합니다. 다른 불면증 지표의 맥락에서, 이는 수면 문제의 인식을 악화시키고 왜곡하는 것으로 알려진 우울 동반이환을 시사합니다.10
PHQ-9 총점	전반적인 우울 심각도	심리적 고통의 강력한 지표입니다. 높은 PHQ-9 점수는 더 높은 ISI 점수와 관련이 있으며 수면 어려움의 과대평가로 이어질 수 있습니다.8
GAD-7 총점	범불안 심각도	걱정과 생리적 과각성을 측정합니다. 불안은 객관적으로 더 긴 SOL과 관련이 있으며, 이는 수면 어려움의 주관적 인식을 증폭시키는 역할 외에 직접적인 인과 관계를 시사합니다.12

1.3 종단적 데이터 희소성의 과제: 데이터 포인트 사이의 서사 추론

시스템의 데이터 수집 프로토콜—1, 2, 4, 6주차에만 설문지 시행—은 상당한 분석적 과제를 제기합니다. 임상 연구는 종종 수면의 밤 대 밤 변동성을 포착하기 위해 매일의 수면 설문지나 일지에서 얻은 고빈도 데이터에 의존합니다.5 이러한 일일 데이터 없이는, LLM 에이전트는 측정 사이의 2주 간격 동안 무슨 일이 일어났는지 이해하기 위해 상당한 추론적 도약을 해야 합니다. 이 과업은 단순한 보간법이 아니라, 불연속적인 데이터 포인트를 연결하는 그럴듯한 심리적 서사를 구성하는 것입니다.

이러한 데이터 희소성을 감안할 때, 단일 시점의 절대 점수는 시점 간의 변화의 벡터보다 덜 의미 있게 됩니다. 4주차 데이터만 고립적으로 보는 정적 분석은 2주차 이후 사용자의 상태가 개선되었는지 악화되었는지에 대한 중요한 맥락을 놓칠 것입니다. 따라서 프롬프트는 정적 분석을 덜 강조하고 동적, 종단적 추론을 우선시해야 합니다.

이를 달성하기 위해, 에이전트는 데이터를 시계열로 취급하고 "델타"(점수 변화)와 "속도"(변화율)를 주요 분석 특징으로 계산하고 해석하도록 명시적으로 지시받아야 합니다. 예를 들어, 2주차와 4주차 사이에 ISI 점수가 20에서 15로 떨어진 것은 긍정적인 델타입니다. 만약 1주차와 2주차 사이에 점수가 25에서 20으로 떨어졌다면, 개선 속도는 안정적일 것입니다. 그러나 점수가 20에서 10으로 떨어지면, 속도가 가속화되어 매우 효과적인 개입이나 사용자의 삶에 상당한 긍정적인 변화가 있었음을 시사합니다. 반대로, 악화되는 점수는 다른 임상적 해석이 필요한 부정적인 궤적을 나타냅니다. 이러한 동역학에 초점을 맞춤으로써, 에이전트는 사용자의 진행 또는 후퇴에 대한 더 견고한 서사를 구성할 수 있으며, 일련의 정적 스냅샷을 의미 있는 임상 이야기로 변환할 수 있습니다.

섹션 2: LLM 프롬프트에서 고급 심리적 추론을 위한 프레임워크

위에 설명된 임상적 및 데이터 중심적 과제를 해결하기 위해, 에이전트의 프롬프트는 정교하고 임상적인 추론 과정을 이끌어내도록 설계되어야 합니다. 일반적인 지시는 일반적이고 피상적인 분석을 낳을 뿐입니다. 해결책은 특정 전문가 페르소나와 엄격하게 구조화된 분석 워크플로우를 결합한 프롬프트를 설계하는 데 있습니다.

2.1 기본 지시를 넘어서: 페르소나와 구조를 통해 임상적 통찰력 유도하기

복잡한 과업을 위한 효과적인 프롬프트 엔지니어링은 단순한 명령문을 넘어서야 합니다. 프롬프트는 LLM이 원하는 인지적 프레임워크를 채택하도록 유도하는 환경을 만들어야 합니다. 이를 위해 몇 가지 고급 기술이 필수적입니다.

첫째, **역할 부여(role-playing)**는 모델의 맥락, 어조, 분석적 렌즈를 설정하는 강력한 방법입니다.14 이 과업을 위해, 에이전트는 "불면증 인지행동치료(CBT-I)를 전문으로 하는 임상 심리학자"라는 페르소나를 부여받아야 합니다. 이 특정 페르소나는 모델이 수면 장애, 심리 측정 척도의 해석, 그리고 불면증의 기초가 되는 생각, 감정, 행동 간의 상호작용과 관련된 지식에 접근하도록 준비시킵니다. 이는 모델을 범용 텍스트 처리기에서 도메인 특화 분석 엔진으로 전환시킵니다.

둘째, 분석 과정의 핵심은 사고의 연쇄(Chain-of-Thought, CoT) 프롬프팅을 중심으로 구축되어야 합니다. 이 기술은 모델에게 문제를 분해하고 단계별로 추론하도록 지시하는 것으로, 복잡하고 다단계적인 과업에서 성능을 크게 향상시키는 것으로 나타났습니다.16 "단계별로 생각해 봅시다"와 같은 지시를 추가하는 것만으로도 모델이 추론 과정을 외부화하게 하여 더 논리적이고 정확한 결론에 이르게 할 수 있습니다.17 임상적 추론에서 이는 단순한 성능 향상이 아니라, 에이전트의 결론이 투명하고 방어 가능하도록 보장하기 위한 필수 요소입니다.

셋째, 이 추론 과정의 결과물은 구조화된 형식을 사용하여 정리되어야 합니다. <thinking>, <analysis>, <hypothesis>와 같은 XML 스타일 태그를 사용하면 모델이 생각을 일관성 있게 정리하도록 강제하고, 그 내부 상태를 기계가 읽을 수 있도록 만듭니다.18 이 구조는 관찰 가능성과 디버깅에 매우 중요하며, 개발자가 데이터에서 결론에 이르는 에이전트의 논리를 추적할 수 있게 합니다.15 건강과 같이 중대한 도메인에서 이러한 투명성은 시스템 안전성과 신뢰성의 핵심 구성 요소입니다.

2.2 데이터에서 가설까지: 분석 워크플로우 구조화하기

이러한 기술들을 결합함으로써, 구체적이고 다단계적인 분석 워크플로우를 프롬프트에 직접 내장할 수 있습니다. 이 워크플로우는 인간 임상가의 진단적 추론 과정을 모방하는 과정을 통해 에이전트를 안내해야 합니다. 제안된 워크플로우는 다음과 같은 순차적인 단계로 구성됩니다:

데이터 수집 및 검증: 에이전트는 현재 시점과 모든 이용 가능한 과거 데이터에 대한 입력 데이터를 명시적으로 인지하고 파싱하는 것으로 시작합니다. 이 단계는 모델이 사용자의 전체 이력 맥락을 정확하게 등록했음을 보장합니다.
종단적 궤적 분석: 각 설문지(ISI, PHQ-9, GAD-7)에 대해, 에이전트는 기준선(1주차)부터 현재까지의 궤적을 설명해야 합니다. 각 측정 지점 간의 점수 변화를 계산하고 전체적인 추세("지속적인 개선", "초기 안정 후 약간의 악화", "가속화되는 악화" 등)를 특징지어야 합니다. 이는 정적 스냅샷보다 동적 분석을 우선시하는 원칙을 직접적으로 구현합니다.
횡단적 종합: 개별 궤적을 분석한 후, 에이전트는 현재 시점의 모든 이용 가능한 설문지 결과를 종합해야 합니다. 목표는 확증 패턴(예: 모든 세 척도에서 높은 점수로, 심각한 동반이환 고통을 시사) 또는 모순(예: 수면은 개선되지만 기분은 악화됨)을 식별하는 것입니다. 이 단계는 다른 심리적 구성 개념 간의 복잡한 상호작용을 밝혀내기 위해 설계되었습니다.
임상 가설 수립: 결합된 종단적 및 횡단적 분석을 바탕으로, 에이전트는 주요 임상 가설을 수립해야 합니다. 이 가설은 사용자의 현재 심리 상태, 상태의 가능성 있는 동인, 그리고 결정적으로 이 상태가 SOL의 인식 및 보고에 어떻게 영향을 미칠 것으로 예상되는지를 설명하는 간결한 서사를 제공해야 합니다. 이는 "심리적 왜곡장"을 결론의 중심 요소로 만듦으로써 주관성 격차의 과제를 직접적으로 다룹니다.
신뢰도 평가 및 대안 가설: 지적 겸손을 기르고 생산적인 토론을 위해 에이전트를 준비시키기 위해, 에이전트는 주요 가설에 신뢰도 점수(예: 0-100% 척도)를 할당해야 합니다. 또한, 관찰된 데이터를 설명할 수 있는 하나 또는 두 개의 그럴듯한 대안 가설을 간략하게 개요해야 합니다. 예를 들어, 주요 가설이 악화되는 불안이 SOL 증가를 유발한다는 것이라면, 대안은 설문지에서 포착되지 않은 최근의 삶의 사건이 진짜 원인일 수 있다는 것일 수 있습니다. 이러한 대안의 사전 계산은 토론 단계에서 도전받았을 때 에이전트를 더 유연하고 견고하게 만듭니다.

섹션 3: 임상적으로 정보를 갖춘 토론의 연쇄(COD) 설계하기

시스템의 다중 에이전트 토론 구성 요소는 정확성을 향상시키는 강력한 메커니즘이지만, 그 효과는 설계에 달려 있습니다. 잘못 설계된 토론은 집단사고나 확증 편향과 같은 인지적 편향에 빠질 수 있습니다. 이 섹션에서는 다양하고 의도적으로 상충되는 관점을 가진 에이전트들로 구성된 모의 임상 사례 회의로 토론의 틀을 잡아 이러한 위험을 완화하는 아키텍처를 제안합니다.

3.1 SOL 예측에서 다중 에이전트 토론의 근거: 임상 사례 회의 시뮬레이션

다중 에이전트 토론 프레임워크는 여러 모델을 구조화된 토론에 참여시켜 답변의 질을 향상시키도록 설계되었습니다. 이 과정에서 에이전트들은 다른 에이전트들의 주장에 기반하여 반복적으로 자신의 응답을 공유하고 개선합니다.20 이 과정은 서로 다른 전문 분야의 전문가들이 복잡한 환자 사례를 논의하고, 서로의 가정을 검증하며, 단일 개인이 도달할 수 있는 것보다 더 견고하고 포괄적인 결론에 도달하기 위해 모이는 임상 사례 회의와 유사합니다.

그러나 연구에서는 다중 에이전트 시스템의 중대한 실패 모드를 확인했습니다. 만약 에이전트들이 훈련이나 추론 패턴에서 너무 유사하다면, 그들은 "반향실 효과(echo-chamber effects)"와 "다수의 폭정(tyranny of the majority)"에 취약해집니다. 여기서 초기의, 잠재적으로 부정확한 다수 의견이 신속하게 강화되고 모든 에이전트에 의해 채택되어, 반대 의견을 억누르고 자신감 있지만 잘못된 답변으로 이어집니다.20 이는 모델들이 공유된 훈련 데이터에서 뿌리내린 공통된 오해를 공유할 때 특히 위험합니다.22 단일 에이전트의 자기 성찰에 의존하는 것 또한 불충분한데, 이는 자신의 내부 편향과 자신의 초기 결론에 도전하는 것에 대한 저항으로 인해 흐려질 수 있기 때문입니다.24

따라서 성공적인 토론의 핵심은 단순한 협력이 아니라 구조화되고 생산적인 불일치입니다. 시스템은 인지적 다양성과 주요 가설에 대한 비판적 검토를 촉진하도록 명시적으로 설계되어야 합니다.

3.2 균형 잡히고 비판적인 토론을 위한 에이전트 역할 정의

문서화된 실패 모드를 방지하고 효과적인 사례 회의를 시뮬레이션하기 위해, 에이전트 팀은 전문화되고, 뚜렷하며, 심지어 적대적인 역할을 가진 구성원들로 구성되어야 합니다. 토론의 목표는 신속하게 합의에 도달하는 것이 아니라, 증거 기반 비판을 통해 주요 에이전트의 가설을 엄격하게 스트레스 테스트하는 것입니다. 시스템의 궁극적인 정확성은 그것이 생성하고 해결할 수 있는 불일치의 질에 따라 결정될 것입니다.

이 예측 과업의 근본적인 긴장감은 주관적인 심리적 보고와 객관적인 임상 현실 사이의 격차입니다. 이 긴장감은 에이전트 아키텍처 자체에 생산적으로 내장될 수 있습니다. 주관적인 경험에 의문을 제기하는 회의적이고 데이터 중심적인 관점을 대표하는 것을 유일한 목적으로 하는 에이전트를 만듦으로써, 시스템은 모든 토론에서 이 격차에 직면하고 이를 조정하도록 강제됩니다. 제안된 다중 에이전트 아키텍처는 다음 표에 자세히 설명되어 있습니다.

에이전트 역할	주요 기능	토론에 대한 주요 기여	편향 완화
임상 심리학자 (주요 에이전트)	설문 데이터의 전체 맥락을 기반으로 전체적이고 미묘한 심리적 가설을 생성합니다.	숫자 뒤에 숨겨진 "이유"를 포착하는 깊이 있고 맥락을 인식하는 해석을 제공합니다. 최초의 포괄적인 주장을 형성합니다.	드문 데이터를 과도하게 해석하거나 지나치게 복잡한 서사를 만들 가능성이 있습니다. 이는 분석가와 회의론자에 의해 상쇄됩니다.
정량 분석가	심리적 해석 없이 시계열 데이터를 분석하여 중요한 통계적 추세, 변화율, 상관관계를 식별합니다.	토론을 객관적이고 통계적인 현실에 기반하게 합니다. 다른 모든 에이전트가 고려해야 할 편향되지 않은 정량적 증거를 제공합니다.	임상적 맥락이나 추세 뒤의 의미를 놓칠 가능성이 있습니다. 이는 심리학자에 의해 상쇄됩니다.
"회의적인 활동기록기" (악마의 변호인)	알려진 임상적 편향(예: 불안한 개인의 SOL 과대 보고)에 대한 지식을 사용하여 심리학자의 주관적 해석에 도전합니다.	비판적 회의론을 주입하고 시스템이 주관성 격차를 고려하도록 강제합니다. 더 보수적인 예측을 주장함으로써 확증 편향과 집단사고를 방지합니다.23	지나치게 냉소적이 되어 진정한 주관적 고통을 무시할 가능성이 있습니다. 이는 심리학자의 미묘한 관점과 통합자의 최종 판단에 의해 균형을 이룹니다.
합의 통합자 (중재자)	토론을 중재하고, 주장을 요약하며, 합의점과 불일치점을 식별하고, 최종적으로 종합된 SOL 예측을 공식화합니다.	균형 잡히고 증거에 가중치를 둔 최종 결론을 보장합니다. 그 역할은 경쟁하는 주장들의 무게를 재고 단일 에이전트의 편향이 최종 결과물을 지배하는 것을 방지하는 것입니다.21	자체 분석을 생성하지 않아 또 다른 편향 층을 추가할 위험을 줄입니다. 주요 기능은 종합과 중재입니다.

3.3 생산적인 불일치를 위한 토론 프롬프트 구조화

에이전트 역할이 정의되면, 토론 자체는 정보가 효율적으로 교환되고 주장이 체계적으로 다루어지도록 구조화된, 턴 기반 프로토콜을 따라야 합니다. 각 라운드에서 각 에이전트에 대한 프롬프트는 그들의 특정 기능에 맞게 조정되어야 합니다.

제안된 토론 흐름은 다음과 같습니다:

라운드 0 (개시): 외부 트리거가 전체 환자 데이터 이력을 시스템에 제공합니다. 조정자 역할을 하는 합의 통합자는 이 데이터를 임상 심리학자와 정량 분석가에게 동시에 전달합니다.
라운드 1 (개시 발언):
- 임상 심리학자는 전체 분석 워크플로우(섹션 2.2에서 정의)를 실행하고 신뢰도 점수와 대안 가설을 포함한 상세한 가설을 생성합니다.
- 정량 분석가는 데이터에 존재하는 통계적 추세, 델타, 상관관계에 대한 간결한 보고서를 생성합니다.
- 이 두 개시 발언은 회의적인 활동기록기에게 전달됩니다.
라운드 2 (비판 및 반박):
- 회의적인 활동기록기는 처음 두 에이전트의 주장을 받습니다. 그 프롬프트는 심리학자의 가설에 대한 비판을 공식화하도록 지시하며, 특히 주관적 데이터에 대한 의존에 도전하고 분석가의 정량적 결과를 사용하여 반론을 뒷받침하도록 합니다. 알려진 보고 편향에 근거하여 더 보수적인 SOL 예측을 제안해야 합니다.1
- 심리학자는 회의론자의 비판을 받고 반박을 공식화할 한 번의 기회를 가집니다. 이 라운드의 프롬프트는 회의론자의 유효한 지점을 인정하되, 증거가 강력한 부분에서는 초기 가설을 방어하도록 지시합니다. 아마도 보고된 증상의 심각성이나 일관성을 지적함으로써 말입니다.
최종 라운드 (종합 및 결론):
- 합의 통합자는 토론의 전체 기록을 받습니다: 심리학자의 초기 가설, 분석가의 데이터 보고서, 회의론자의 비판, 그리고 심리학자의 반박.
- 그 최종 프롬프트는 판사나 중재자 역할을 하도록 지시합니다. 주요 주장을 요약하고, 미묘한 임상적 해석과 증거 기반 회의론의 무게를 재고, 그 추론에 대한 상세한 설명과 함께 최종 SOL 예측을 공식화해야 합니다. 이 최종 결과물은 시스템의 가장 신중하고 견고한 결론을 나타냅니다.

섹션 4: 주요 SOL 에이전트를 위한 제안된 프롬프트 아키텍처

이 섹션은 주요 에이전트인 "임상 심리학자"를 위한 완전하고 다중 부분으로 구성된 프롬프트 템플릿을 제공합니다. 이 아키텍처는 이전 섹션에서 논의된 모든 원칙을 통합하며, 즉시 구현 가능한 결과물로 설계되었습니다. 프롬프트는 각 구성 요소 뒤에 있는 근거를 설명하기 위해 상세하게 주석 처리되어 있습니다.

파트 1: 페르소나 및 핵심 지침

# 페르소나

당신은 불면증 인지행동치료(CBT-I)를 전문으로 하는 임상 심리학자의 페르소나를 가진 전문 AI 어시스턴트입니다. 당신의 전문 분야는 심리 측정 설문 데이터(ISI, PHQ-9, GAD-7)를 해석하여 환자의 심리 상태와 그것이 수면에 미치는 영향을 이해하는 것입니다. 당신은 엄격하고, 증거 기반이며, 분석에 있어 미묘한 차이를 파악합니다.

# 핵심 지침

1.  **주요 목표:** 당신의 주요 목표는 제공된 종단적 설문 데이터를 분석하여 환자의 현재 심리 상태와 그것이 자가 보고된 수면 잠복기(SOL)에 미칠 가능성 있는 영향에 대한 포괄적인 임상 가설을 수립하는 것입니다.
2.  **최종 목표:** 당신의 분석은 다른 전문 에이전트들과의 구조화된 토론에서 개시 발언으로 사용될 것입니다. 따라서, 당신의 최종 결과물은 주요 가설, 핵심 증거, 신뢰도 점수, 그리고 예측된 SOL 범위를 포함하는 명확하고 방어 가능한 입장이어야 합니다.
3.  **제약 조건 - 데이터 희소성:** 당신은 데이터가 2주 간격으로 수집된다는 것을 잘 알고 있습니다. 이는 단일 데이터 포인트를 과도하게 해석하기보다는 궤적, 추세, 변화율에 초점을 맞춰야 함을 의미합니다. 당신의 추론은 측정 간의 추론적 격차를 명시적으로 고려해야 합니다.
4.  **제약 조건 - 주관성:** 당신은 주관적(보고된) SOL과 객관적(실제) SOL 사이의 잘 알려진 격차를 이해합니다. 당신의 분석은 항상 환자의 심리 상태(예: 불안, 우울)가 수면 어려움에 대한 그들의 인식과 보고에 어떻게 영향을 미칠 수 있는지를 고려해야 합니다.

파트 2: 구조화된 데이터 입력 및 컨텍스트

# 환자 데이터

환자의 데이터는 다음 JSON 형식으로 제공됩니다. `time_series` 배열의 각 객체는 측정 지점을 나타냅니다.

```json
{
  "patient_id": "USER-123",
  "treatment_start_date": "2024-01-01",
  "time_series": []
}

파트 3: 안내된 분석 워크플로우 (사고의 연쇄)

# 분석 워크플로우

당신은 반드시 이 구조화된, 단계별 추론 과정을 따라야 합니다. 전체 사고 과정을 <thinking> 태그 안에 포함시키십시오. 각 단계에 대해 지정된 하위 태그를 사용하십시오.

<thinking>
  <step_1_data_ingestion>
    현재 주와 모든 이전 주에 대해 제공된 데이터를 인지합니다. 모든 데이터 포인트를 올바르게 파싱했는지 확인합니다.
  </step_1_data_ingestion>
  <step_2_longitudinal_analysis>
    각 설문지(ISI, PHQ-9, GAD-7)에 대해 개별적으로 1주차부터 현재 주까지 종단적 분석을 수행합니다.
    시간 경과에 따른 점수 궤적을 설명합니다.
    각 측정 지점 간의 변화(델타)를 계산합니다.
    추세("개선 중", "악화 중", "안정적", "변동 중" 등)를 특징짓습니다.
    변화의 속도("개선 가속화", "악화 감속" 등)를 기록합니다.
  </step_2_longitudinal_analysis>
  <step_3_cross_sectional_synthesis>
    현재 주에 대한 결과를 종합합니다.
    이 특정 시점에서 다른 설문지의 점수들은 서로 어떻게 관련되어 있습니까?
    일관된 이야기를 들려줍니까(예: 전반적으로 높은 점수) 아니면 모순이 있습니까(예: ISI는 개선되지만 PHQ-9는 악화됨)?
    이 스냅샷을 기반으로 환자의 현재 임상적 그림에 대한 요약을 공식화합니다.
  </step_3_cross_sectional_synthesis>
  <step_4_hypothesis_formulation>
    결합된 종단적 및 횡단적 분석을 바탕으로 주요 임상 가설을 수립합니다. 이 가설은 다음을 설명하는 서사여야 합니다:
    환자의 가장 가능성 있는 현재 심리 상태 (예: "환자는 불안의 재발을 경험하고 있으며, 이는 우울 증상이 약간 개선되었음에도 불구하고 현재 수면 어려움의 주요 동인이 되고 있습니다.").
    이 서사를 뒷받침하는 데이터 궤적의 핵심 증거.
    이 심리 상태가 SOL의 인식 및 보고에 미칠 것으로 예상되는 영향. 보고된 어려움이 객관적인 SOL을 정확하게 반영할 가능성이 높은지, 과대평가할 가능성이 높은지, 또는 과소평가할 가능성이 높은지를 명시적으로 기술합니다.
  </step_4_hypothesis_formulation>
  <step_5_confidence_and_alternatives>
    주요 가설에 0%에서 100%까지의 척도로 신뢰도 점수를 할당합니다.
    관찰된 데이터를 설명할 수 있는 하나 또는 두 개의 그럴듯한 대안 가설을 간략하게 기술합니다.
  </step_5_confidence_and_alternatives>
</thinking>

파트 4: 토론 입장 수립

# 토론 입장

위의 포괄적인 분석을 바탕으로, 토론을 위한 개시 발언을 공식화합니다. 결과물은 반드시 다음 구조화된 형식이어야 합니다.

<debate_stance>
  <predicted_sol_range_minutes>
    [여기에 예측된 SOL 범위를 분 단위로 입력하세요. 예: 30-45]
  </predicted_sol_range_minutes>
  <primary_hypothesis>
    [여기에 주요 임상 가설을 입력하세요.]
  </primary_hypothesis>
  <key_evidence>
    * [여기에 첫 번째 핵심 증거를 입력하세요.]
    * [여기에 두 번째 핵심 증거를 입력하세요.]
    * [여기에 세 번째 핵심 증거를 입력하세요.]
  </key_evidence>
  <confidence_score>
    [여기에 0-100% 범위의 신뢰도 점수를 입력하세요.]
  </confidence_score>
</debate_stance>

파트 5: 토론 상호작용 프로토콜

# 토론 상호작용 규칙 (후속 라운드용)

초기 입장을 제시한 후, "회의적인 활동기록기" 에이전트로부터 비판을 받게 됩니다. 반박을 공식화할 때, 다음 규칙을 준수해야 합니다:

1.  **인지 및 대응:** 회의론자의 주요 비판 지점을 직접적으로 다룹니다.
2.  **유효할 때 인정:** 회의론자가 알려진 임상적 편향이나 데이터 추세에 근거하여 유효한 지점을 제기하면, 그것을 인정합니다. 예: "회의론자는 GAD-7 점수의 상승이 SOL의 과대평가로 이어질 수 있다는 점을 정확히 지적했습니다. 이는 유효한 고려 사항입니다."
3.  **증거로 반박:** 비판에 동의하지 않으면, 분석에서 얻은 구체적인 증거를 사용하여 반박합니다. 단순히 원래 결론을 되풀이하지 마십시오.
4.  **단순 방어가 아닌 개선:** 당신의 목표는 토론에서 "이기는" 것이 아니라 가장 정확한 결론에 도달하는 것입니다. 회의론자의 주장의 강도에 따라 초기 SOL 예측이나 가설을 기꺼이 개선하십시오.

섹션 5: 결론적 권장 사항 및 향후 개선 방안

5.1 주요 권장 사항 요약

본 보고서에서 제시된 분석은 SOL 예측 시스템을 최적화하기 위한 핵심 권장 사항 세트로 이어집니다. 이러한 변경 사항을 구현하면 시스템이 단순한 예측 모델에서 정교한 임상 추론 엔진으로 전환될 것입니다.

전문가 페르소나 채택: 주요 에이전트의 프롬프트는 CBT-I를 전문으로 하는 임상 심리학자의 페르소나를 설정하는 것으로 시작해야 합니다. 이는 모델에 필요한 도메인 지식과 분석 프레임워크를 준비시킬 것입니다.
구조화된 워크플로우 구현: 프롬프트는 데이터 수집부터 종단적 분석, 횡단적 종합, 가설 수립에 이르기까지 에이전트를 안내하는 엄격하고 다단계적인 사고의 연쇄 과정을 강제해야 합니다.
종단적 동역학 우선시: 에이전트의 논리는 드문 데이터의 궤적, 델타, 변화 속도에 초점을 맞추도록 재정향되어야 합니다. 이는 정적인 단일 시점 점수보다 더 많은 정보를 제공하기 때문입니다.
주관성 격차 명시적 모델링: 에이전트는 추론된 사용자의 심리 상태(불안, 우울)가 SOL의 인식 및 보고를 어떻게 왜곡할 가능성이 있는지에 대해 가설을 세우도록 요구받아야 합니다.
토론에서 인지적 다양성을 위한 설계: 다중 에이전트 시스템은 인지적 편향을 완화하고 견고하고 비판적인 토론을 보장하기 위해 뚜렷하고, 전문화되며, 적대적인 역할(심리학자, 분석가, 회의론자, 통합자)을 가진 에이전트를 포함하도록 재설계되어야 합니다.

5.2 성능 평가 및 반복

구조화되고 투명한 추론을 강조하는 제안된 아키텍처는 본질적으로 효과적인 평가와 반복을 위해 설계되었습니다. 주요 에이전트의 XML 태그가 붙은 결과물과 다중 에이전트 토론의 전체 기록은 분석과 디버깅을 위한 풍부한 데이터 소스를 제공합니다.15

새로운 시스템을 평가하기 위해 몇 가지 접근법을 취할 수 있습니다:

기준선 비교: 새로운 다중 에이전트 시스템의 예측은 더 간단한 기준 모델(예: 회귀 모델 또는 단일 에이전트, 비토론 기반 LLM)과 비교되어야 합니다. 이는 더 복잡한 아키텍처에서 얻은 성능 향상을 정량화할 것입니다.
질적 감사: 인간 전문가(예: 임상 심리학자)가 토론 기록을 검토해야 합니다. 목표는 주장의 임상적 타당성, 종합의 질, 그리고 추론 과정의 전반적인 그럴듯함을 평가하는 것입니다. 이 감사는 에이전트의 논리나 프롬프트 설계의 약점을 식별할 수 있습니다.
오류 분석: 시스템의 예측이 (알려진 결과와 비교하여) 상당히 틀렸을 때, 토론 로그를 신중하게 검토하여 실패 지점을 정확히 찾아내야 합니다. 심리학자가 추세를 잘못 해석했는가? 회의론자의 비판이 너무 지나쳤는가? 통합자의 종합에 결함이 있었는가? 이 세분화된 피드백 루프는 반복적인 개선에 매우 중요합니다.15

5.3 향후 방향

제안된 아키텍처가 상당한 발전을 나타내지만, 향후 개선을 위한 몇 가지 길이 존재합니다:

비정형 데이터 통합: 이 프레임워크는 일기 항목이나 채팅 메시지와 같은 사용자의 자유 텍스트 데이터를 통합하도록 확장될 수 있습니다. 전문화된 에이전트는 이 텍스트에 대한 감성 분석 및 주제 추출을 수행하여, 토론에 또 다른 풍부하고 질적인 데이터 스트림을 제공하는 임무를 맡을 수 있습니다.
동적 에이전트 가중치 부여: 합의 통합자는 더 정교해질 수 있습니다. 각 에이전트의 입력을 동등하게 취급하는 대신, 데이터의 맥락에 따라 그들의 주장에 동적으로 가중치를 부여하는 법을 배울 수 있습니다. 예를 들어, 데이터가 극도로 높은 GAD-7 점수를 보이면, 통합자는 회의적인 활동기록기의 과대 보고에 대한 경고에 더 많은 가중치를 부여하는 법을 배울 수 있습니다.
다른 임상 결과로의 확장: 핵심 프레임워크—드물고 주관적인 데이터를 기반으로 한 예측을 토론하기 위해 전문화된 에이전트 팀을 사용하는 것—는 매우 일반화 가능합니다. 에이전트의 도메인 지식과 특정 데이터 입력을 수정하기만 하면 치료 순응도, 우울증 재발 위험, 또는 전반적인 삶의 질 변화와 같은 다른 임상 결과를 예측하도록 적용될 수 있습니다.

섹션 1: SOL 예측의 임상적 및 데이터 중심적 맥락​

1.1 수면 잠복기의 이중성: 인식 대 현실​

1.2 심리 측정 입력 해부: 설문지가 실제로 측정하는 것​

1.3 종단적 데이터 희소성의 과제: 데이터 포인트 사이의 서사 추론​

섹션 2: LLM 프롬프트에서 고급 심리적 추론을 위한 프레임워크​

2.1 기본 지시를 넘어서: 페르소나와 구조를 통해 임상적 통찰력 유도하기​

2.2 데이터에서 가설까지: 분석 워크플로우 구조화하기​

섹션 3: 임상적으로 정보를 갖춘 토론의 연쇄(COD) 설계하기​

3.1 SOL 예측에서 다중 에이전트 토론의 근거: 임상 사례 회의 시뮬레이션​

3.2 균형 잡히고 비판적인 토론을 위한 에이전트 역할 정의​

3.3 생산적인 불일치를 위한 토론 프롬프트 구조화​

섹션 4: 주요 SOL 에이전트를 위한 제안된 프롬프트 아키텍처​

파트 1: 페르소나 및 핵심 지침​

파트 2: 구조화된 데이터 입력 및 컨텍스트​

파트 3: 안내된 분석 워크플로우 (사고의 연쇄)​

파트 4: 토론 입장 수립​

파트 5: 토론 상호작용 프로토콜​

섹션 5: 결론적 권장 사항 및 향후 개선 방안​

5.1 주요 권장 사항 요약​

5.2 성능 평가 및 반복​

5.3 향후 방향​