본 논문은 의료 데이터의 개인정보 보호 문제, 실제 데이터 접근의 제한, 어노테이션의 높은 비용 등으로 인해 의료 분야에서 합성 데이터의 채택이 증가하는 추세에 따라, 외상 후 스트레스 장애(PTSD)에 대한 장기 노출(PE) 치료 대화의 합성 데이터를 이용하여 임상 모델의 훈련 및 평가를 위한 확장 가능한 대안을 탐구한다. 실제 대화와 합성 대화를 어휘적, 구조적, 프로토콜 특정 지표(턴-테이킹 패턴 및 치료 충실도 포함)를 사용하여 체계적으로 비교하고, 언어 분석 및 의미 모델링에서 파생된 PE 특정 지표를 도입하고 평가하여 표면적 유창성을 넘어 임상적 충실도를 평가하기 위한 새로운 프레임워크를 제시한다. 합성 데이터는 데이터 부족 완화 및 환자 개인 정보 보호에 유용하지만, 치료적 상호 작용의 미묘한 역동성을 포착하는 데 어려움을 겪을 수 있음을 보여준다. 합성 치료 대화는 실제 대화의 구조적 특징(예: 화자 전환 비율: 0.98 대 0.99)과 유사하지만, 핵심 충실도 지표(예: 고통 모니터링)를 충분히 반영하지 못할 수 있다. 기존 평가 프레임워크의 한계를 강조하고, 표면적 유창성을 넘어 임상적으로 중요한 실패를 발견하기 위한 충실도 인식 지표를 주장한다. 본 연구 결과는 합성 데이터가 실제 데이터 세트를 효과적으로 보완할 수 있는 부분과 중요한 한계가 남아 있는 부분을 명확히 한다.
