본 연구는 대규모 언어 모델(LLM)을 이용한 정신 건강 텍스트 분석을 위한 세 가지 접근 방식(프롬프트 엔지니어링, 검색 증강 생성(RAG), 파인튜닝)을 체계적으로 비교 분석했습니다. LLaMA 3을 사용하여 두 개의 데이터 세트에서 감정 분류 및 정신 건강 상태 감지 작업에 대한 이러한 접근 방식을 평가했습니다. 파인튜닝은 가장 높은 정확도(감정 분류 91%, 정신 건강 상태 80%)를 달성했지만 상당한 컴퓨팅 자원과 대규모 훈련 세트가 필요했습니다. 반면 프롬프트 엔지니어링과 RAG는 중간 수준의 성능(40-68% 정확도)으로 더 유연한 배포를 제공했습니다. 이 연구 결과는 정확도, 컴퓨팅 요구 사항 및 배포 유연성 간의 절충점을 강조하여 정신 건강 응용 분야에서 LLM 기반 솔루션을 구현하기 위한 실용적인 통찰력을 제공합니다.
