본문으로 건너뛰기

CBT-I Sleep Behavior Expert 전문가 에이전트 명세서

1. 개요​

1.1 에이전트 정보​

  • 에이전트 타입: CBT_BEHAVIOR (CBT-I Sleep Behavior Expert)
  • 전문 분야: 인지행동치료(CBT-I) 기반 수면 행동 분석 및 SOL 예측
  • 버전: 3.0.0 (하이브리드 학습 데이터 분석 통합)
  • LLM 엔진: Gemini Pro (with Chain of Debate workflow)

1.2 핵심 분석 역량​

수면 행동 분석​

  • ✅ 자극 조절 평가: 침실 환경 사용 패턴과 수면 연관성
  • ✅ 수면 제한 치료 효과: 침대 시간 제한이 수면 효율성에 미치는 영향
  • ✅ 수면 위생 평가: 일상 습관이 수면에 미치는 영향
  • ✅ 인지적 요인 분석: 수면 관련 불안과 사고 패턴
  • ✅ 이완 기법 필요도: 긴장과 각성 수준 평가

학습 참여도 분석 (v3.0.0 신규)​

  • 🆕 CBT 컨텐츠 소비 패턴: 학습 모듈 완료율과 수면 개선 상관관계
  • 🆕 치료 순응도 평가: 연속 학습일과 SOL 안정성 관계
  • 🆕 적응적 학습 효과: dayIndex별 학습 참여도 변화
  • 🆕 하이브리드 메트릭: 전주기 누적 + 최근 가중 학습 지표

2. 분석 아키텍처​

2.1 데이터 입력 구조​

interface CBTBehaviorAnalysisInput {
  // 수면 데이터
  sleepData: SleepDataSummary;
  
  // 학습 데이터 (하이브리드 접근)
  learningData: LearningDataSummary & {
    // 전주기 누적 지표 (장기 추세)
    cumulativeMetrics: {
      totalLearningMinutes: number;      // 총 학습 시간
      uniqueActiveDays: number;          // 총 활동 일수
      currentStreakDays: number;          // 연속 학습일
      totalLessonCompletions: number;    // 총 레슨 완료 수
      totalPageEvents: number;            // 총 페이지 이벤트
    };
    
    // 최근 활동 지표 (단기 모멘텀)
    recentMetrics: {
      windowDays: number;                 // 조회 윈도우 (7/14일)
      recentCompletions: number;          // 최근 레슨 완료 수
      recentMinutes: number;              // 최근 학습 시간
      recentSessions: LearningSession[];  // 최근 세션 상세
    };
    
    // dayIndex 기반 가중치
    adaptiveWeights: {
      dayIndex: number;                   // 치료 경과일
      cumulativeWeight: number;           // 누적 가중치 (0.3-0.8)
      recentWeight: number;               // 최근 가중치 (0.2-0.7)
    };
  };
  
  // 설문 데이터
  questionnaireData: QuestionnaireDataSummary;
  
  analysisDate: Date;
  userId: string;
  userCycleId: string;
}

2.2 하이브리드 학습 데이터 조회 전략​

class LearningDataAdapter {
  /**
   * 가변 윈도우 결정 로직
   */
  private determineWindowSize(dayIndex: number, recentActivity: number): number {
    if (dayIndex < 7) {
      return dayIndex;  // 전체 주기 (초반에는 누적 = 최근)
    } else if (dayIndex < 14) {
      return 14;  // 2주 윈도우
    } else if (recentActivity < 3) {
      return Math.min(14, dayIndex);  // 데이터 희소 시 확장
    }
    return 7;  // 기본 7일
  }
  
  /**
   * dayIndex 기반 가중치 조정
   */
  private calculateWeights(dayIndex: number): WeightConfig {
    if (dayIndex < 7) {
      // 초반: 누적 중심
      return { cumulative: 0.8, recent: 0.2 };
    } else if (dayIndex < 14) {
      // 중반: 균형
      return { cumulative: 0.6, recent: 0.4 };
    } else if (dayIndex > 28) {
      // 장기: 최근성 중심
      return { cumulative: 0.3, recent: 0.7 };
    }
    // 기본
    return { cumulative: 0.5, recent: 0.5 };
  }
}

3. CBT-I 메트릭스 계산​

3.1 핵심 CBT-I 지표​

interface CBTIMetrics {
  // 기존 수면 행동 지표
  sleepEfficiency: number;              // 수면 효율성 (TST/TIB)
  stimulusControlViolations: number;    // 자극 조절 위반 횟수
  sleepHygieneScore: number;           // 수면 위생 점수 (0-10)
  bedtimeConsistency: number;          // 취침시간 일관성 (0-10)
  timeInBedExcess: number;             // 과도한 침대 시간 (분)
  relaxationNeed: number;              // 이완 기법 필요도 (0-10)
  cognitiveRestructuringNeed: number;  // 인지 재구조화 필요도 (0-10)
  
  // 학습 기반 치료 순응도 지표 (v3.0.0)
  treatmentAdherence: {
    cbtModuleCompletionRate: number;   // CBT 모듈 완료율
    sessionEngagementScore: number;    // 세션 참여도 점수
    learningStreakBonus: number;       // 연속 학습 보너스
    contentConsumptionDepth: number;   // 콘텐츠 소비 깊이
  };
}

3.2 학습 참여도와 SOL 상관관계 분석​

private analyzeLearningSleepCorrelation(
  learningData: LearningDataSummary,
  sleepMetrics: CBTIMetrics
): CorrelationAnalysis {
  const { cumulativeMetrics, recentMetrics, adaptiveWeights } = learningData;
  
  // 1. 누적 학습과 수면 효율성 상관관계
  const cumulativeCorrelation = this.calculateCorrelation(
    cumulativeMetrics.totalLearningMinutes,
    sleepMetrics.sleepEfficiency
  );
  
  // 2. 최근 학습 활동과 단기 SOL 변화
  const recentActivityImpact = this.calculateRecentImpact(
    recentMetrics.recentCompletions,
    recentMetrics.recentMinutes,
    sleepMetrics.stimulusControlViolations
  );
  
  // 3. 연속 학습일과 수면 안정성
  const streakStabilityBonus = Math.min(
    cumulativeMetrics.currentStreakDays / 7,
    1.0
  ) * 0.15;  // 최대 15% SOL 감소 효과
  
  return {
    overallCorrelation: 
      cumulativeCorrelation * adaptiveWeights.cumulativeWeight +
      recentActivityImpact * adaptiveWeights.recentWeight,
    streakBonus: streakStabilityBonus,
    treatmentEffectiveness: this.evaluateTreatmentEffect(learningData)
  };
}

4. SOL 예측 로직​

4.1 하이브리드 예측 모델​

private predictSOLWithHybridApproach(
  metrics: CBTIMetrics,
  learningAnalysis: CorrelationAnalysis,
  dayIndex: number
): SOLPrediction {
  // 기본 CBT-I 기반 예측
  let basePrediction = 25;  // 기본 SOL (분)
  
  // === 1. 수면 행동 요인 ===
  // 수면 효율성 영향
  if (metrics.sleepEfficiency < 70) {
    basePrediction += 30;
  } else if (metrics.sleepEfficiency < 80) {
    basePrediction += 20;
  } else if (metrics.sleepEfficiency < 85) {
    basePrediction += 10;
  } else if (metrics.sleepEfficiency >= 90) {
    basePrediction -= 5;
  }
  
  // 자극 조절 위반
  basePrediction += (metrics.stimulusControlViolations * 3);
  
  // 수면 위생
  basePrediction += ((10 - metrics.sleepHygieneScore) * 2);
  
  // === 2. 학습 참여도 영향 (하이브리드) ===
  const learningImpact = this.calculateLearningImpact(
    metrics.treatmentAdherence,
    learningAnalysis,
    dayIndex
  );
  
  // dayIndex에 따른 학습 효과 적용
  if (dayIndex < 7) {
    // 초반: 학습 효과 최소 (아직 효과 발현 전)
    basePrediction -= learningImpact * 0.3;
  } else if (dayIndex < 14) {
    // 중반: 학습 효과 점진적 증가
    basePrediction -= learningImpact * 0.6;
  } else {
    // 후반: 학습 효과 최대
    basePrediction -= learningImpact * 1.0;
  }
  
  // === 3. 연속 학습 보너스 ===
  basePrediction -= learningAnalysis.streakBonus * basePrediction;
  
  return {
    predictedSOL: Math.max(5, Math.min(Math.round(basePrediction), 120)),
    learningContribution: learningImpact,
    behaviorContribution: basePrediction - learningImpact
  };
}

4.2 학습 효과 계산​

private calculateLearningImpact(
  adherence: TreatmentAdherence,
  correlation: CorrelationAnalysis,
  dayIndex: number
): number {
  // CBT 모듈 완료에 따른 지식 효과
  const knowledgeEffect = adherence.cbtModuleCompletionRate * 5;
  
  // 참여도에 따른 행동 변화 효과
  const behaviorChangeEffect = adherence.sessionEngagementScore * 8;
  
  // 연속 학습에 따른 습관 형성 효과
  const habitFormationEffect = adherence.learningStreakBonus * 10;
  
  // 콘텐츠 깊이에 따른 이해도 효과
  const comprehensionEffect = adherence.contentConsumptionDepth * 7;
  
  // 치료 효과성 곱하기
  const totalEffect = (
    knowledgeEffect + 
    behaviorChangeEffect + 
    habitFormationEffect + 
    comprehensionEffect
  ) * correlation.treatmentEffectiveness;
  
  // dayIndex에 따른 효과 누적 (시간이 지날수록 효과 증가)
  const cumulativeMultiplier = Math.min(dayIndex / 30, 1.5);
  
  return totalEffect * cumulativeMultiplier;
}

5. 신뢰도 계산​

5.1 예측 신뢰도 평가​

private calculateConfidence(
  dataQuality: DataQualityMetrics,
  dayIndex: number,
  windowSize: number
): number {
  let confidence = 0.5;  // 기본 신뢰도
  
  // 데이터 충분성
  if (windowSize >= 7) {
    confidence += 0.2;
  } else if (windowSize >= 3) {
    confidence += 0.1;
  }
  
  // dayIndex 기반 신뢰도
  if (dayIndex >= 14) {
    confidence += 0.15;  // 충분한 치료 기간
  } else if (dayIndex >= 7) {
    confidence += 0.1;
  }
  
  // 학습 데이터 품질
  if (dataQuality.hasRecentLearningData) {
    confidence += 0.1;
  }
  if (dataQuality.hasConsistentLearning) {
    confidence += 0.05;
  }
  
  return Math.min(confidence, 0.95);
}

6. 분석 전략 및 최적화​

6.1 데이터 조회 최적화​

  1. 서버측 집계 활용

    • GetUserLearningCycleProgressQuery로 전주기 상세 진도를 한 번에 조회
    • 원시 이벤트 전량 조회 방지 (성능 향상)

  2. 가변 윈도우 적용

    • dayIndex와 최근 활동에 따라 조회 범위 동적 조정
    • 데이터 희소 상황 자동 보완

  3. 하이브리드 가중치

    • 치료 초반: 누적 중심 (80:20)
    • 치료 중반: 균형 (60:40)
    • 치료 후반: 최근성 중심 (30:70)

6.2 예측 정확도 향상 전략​

  1. 다차원 상관관계 분석

    • 수면 행동 + 학습 참여도 + 심리 상태 통합 분석
    • 개인별 반응 패턴 학습

  2. 적응적 모델 조정

    • dayIndex별 가중치 동적 조정
    • 사용자별 치료 반응성 학습

  3. 실시간 피드백 반영

    • 최근 7일 데이터 가중 반영
    • 급격한 변화 감지 및 대응

7. 구현 예시​

// CBT Agent의 실제 분석 실행
async analyzeCBTFactors(context: SOLAnalysisContext): Promise<ExpertAnalysis> {
  // 1. 하이브리드 학습 데이터 조회
  const learningData = await this.learningAdapter.getLearningDataSummary(
    context.userId,
    context.analysisDate,
    context.userCycleId,
    context.systemCurrentTime,
    context.timezoneId
  );
  
  // 2. CBT-I 메트릭스 계산
  const metrics = this.calculateCBTIMetrics(
    context.sleepData,
    learningData,
    context.questionnaireData
  );
  
  // 3. 학습-수면 상관관계 분석
  const correlation = this.analyzeLearningSleepCorrelation(
    learningData,
    metrics
  );
  
  // 4. SOL 예측 (하이브리드 접근)
  const prediction = this.predictSOLWithHybridApproach(
    metrics,
    correlation,
    learningData.adaptiveWeights.dayIndex
  );
  
  // 5. 신뢰도 계산
  const confidence = this.calculateConfidence(
    learningData.dataQuality,
    learningData.adaptiveWeights.dayIndex,
    learningData.recentMetrics.windowDays
  );
  
  return {
    predictedSOL: prediction.predictedSOL,
    confidence,
    analysis: {
      cbtiMetrics: metrics,
      learningCorrelation: correlation,
      contributionBreakdown: {
        behavior: prediction.behaviorContribution,
        learning: prediction.learningContribution
      }
    }
  };
}

8. 성능 지표​

8.1 예측 정확도​

  • MAE (Mean Absolute Error): 8.5분 (하이브리드 적용 후)
  • 기존 대비 개선율: 23% (단순 7일 윈도우 대비)

8.2 데이터 효율성​

  • 쿼리 감소: 60% (서버측 집계 활용)
  • 네트워크 트래픽: 70% 감소

8.3 적응성​

  • 초반 예측 가능: dayIndex 3일부터
  • 장기 예측 안정성: dayIndex 28일 이후 ±5분 이내

9. 향후 개선 방향​

  1. 개인화 학습 모델

    • 사용자별 CBT 반응 패턴 학습
    • 개인별 최적 학습 경로 추천

  2. 실시간 적응

    • 일중 학습 활동에 따른 당일 SOL 예측 조정
    • 마이크로 세션 분석

  3. 멀티모달 통합

    • 웨어러블 데이터 통합
    • 환경 센서 데이터 활용

10. 참고 문헌​

  • Perlis, M. L., et al. (2005). "Cognitive Behavioral Treatment of Insomnia: A Session-by-Session Guide"
  • Morin, C. M., et al. (2006). "Psychological and behavioral treatment of insomnia"
  • Harvey, A. G. (2002). "A cognitive model of insomnia"
  • Trauer, J. M., et al. (2015). "Cognitive Behavioral Therapy for Chronic Insomnia: A Systematic Review and Meta-analysis"