본 연구는 인지 저하의 조기 진단을 위해 음성 어시스턴트 시스템(VAS)을 활용하는 혁신적인 접근 방식을 제시합니다. 18개월 동안 35명의 고령자 (15명은 매일 VAS 사용)를 대상으로 음성 명령 데이터를 수집하고, Cog-TiPRO라는 새로운 프레임워크를 개발하여 분석했습니다. Cog-TiPRO는 LLM 기반의 반복적인 프롬프트 개선을 통한 언어적 특징 추출, HuBERT 기반의 음향적 특징 추출, 그리고 Transformer 기반의 시간적 모델링을 결합합니다. 이를 통해 경도인지장애(MCI) 검출 정확도 73.80%, F1-score 72.67%를 달성하여 기존 방식보다 27.13% 향상된 성능을 보였습니다. LLM 접근 방식을 통해 인지 저하를 경험하는 개인의 일상적인 음성 명령 사용 패턴을 특징짓는 언어적 특징을 식별했습니다.
