본 논문은 대규모 언어 모델(LLM)을 활용한 정신 건강 위험 평가의 신뢰성을 높이기 위한 새로운 방법론인 ProMind-LLM을 제시한다. 기존의 주관적인 정신 건강 기록에 의존하는 방식의 한계를 극복하기 위해, 객관적인 행동 데이터를 보완적인 정보로 통합하는 접근법을 제시한다. ProMind-LLM은 정신 건강 관련 전문적인 사전 학습, 수치형 행동 데이터 처리를 위한 자기 개선 메커니즘, 그리고 예측의 신뢰성과 해석 가능성을 향상시키는 인과 사슬 추론 과정을 포함하는 포괄적인 파이프라인을 구성한다. PMData와 Globem 두 개의 실제 데이터셋을 이용한 평가 결과, 기존 일반적인 LLM보다 성능이 크게 향상됨을 보여준다. ProMind-LLM은 더욱 신뢰할 수 있고, 해석 가능하며, 확장 가능한 정신 건강 솔루션 개발에 기여할 것으로 기대된다.
