KAIST 제공국내 연구진이 앱 안에서 반복되는 몇 가지 일상 행동을 분석해 하루의 스트레스 상태를 파악하는 기술을 개발했다.
한국과학기술원(KAIST)은 AI컴퓨팅학과 이의진 교수 연구팀이 스마트폰에서 반복되는 행동을 자동으로 찾아내고, 행동별 수행 시간과 빈도, 문자 입력 패턴 등을 활용해 일일 스트레스 상태를 판별하는 기술 'SHIRBT-MMF'를 개발했다고 15일 밝혔다.
기존 스마트폰 기반 스트레스 연구는 화면 사용 시간이나 앱 실행 횟수, 앱 종류별 사용 시간·빈도·타이핑 행동 등을 주로 분석해 왔다. 그러나 사용하는 앱이나 앱 화면이 바뀌면 분석 데이터도 달라져, 장기간 스트레스를 추적하는 모델의 안정성이 떨어질 수 있는 문제점이 있었다.
연구팀은 '어떤 앱을 사용했는가'보다 '무엇을 했는가'에 주목했다. 앱 이름 대신 행동의 목적을 기준으로 분석하는 것이다.
연구팀은 반복 행동을 '스마트폰 상호작용 기반 일상 행동 과업(SHIRBT)'으로 정의했다. 자체 개발한 '멀티 레벨 순차 패턴 마이닝(ML-SPM)' 기법으로 여러 날에 걸쳐 반복되는 화면 전환 패턴을 찾아낸 뒤, 대규모 언어모델(LLM)을 활용해 '메신저 채팅', '웹 탐색', '금융 결제', '이메일 읽기·작성' 등 이해하기 쉬운 행동 이름을 붙였다.
서로 다른 이메일·웹브라우저·메신저 앱에서도 같은 행동을 일관되게 분류하는 평가에서 95% 이상의 정확도를 보였다.
개인정보 보호를 위해 실제 입력한 문자나 메시지 내용은 저장하지 않고, 입력 여부와 횟수, 화면 전환 등 행동 정보만 기록했다. 메시지나 통화 상대 정보도 원래 정보를 직접 드러내지 않는 값으로 바꾸는 '해시 처리'를 적용했다.
연구팀은 20~30대 대학생과 직장인 26명의 실제 생활 데이터를 분석했다. 참가자가 매일 기록한 자기평가를 기준으로 스트레스가 있는 날과 없는 날을 구분하는 개인 맞춤형 모델을 만들었다.
참가자들의 스마트폰 사용에서 확인된 반복 행동은 모두 29종이었으며, 한 사람은 평균 약 7가지 행동을 일상적으로 반복했다. 연구팀은 행동 패턴을 학습한 개인 맞춤형 인공지능으로 하루의 스트레스 여부를 판별했다.
가장 좋은 성능을 보인 모델의 평균 정확도는 단기 참여자 75.9%, 장기 참여자 73.8%로, 약 4번 중 3번을 맞힌 셈이다. 같은 인공지능 기법으로 앱 사용량을 분석한 기존 방식보다 각각 5.5%포인트, 3.5%포인트 높았다.
분석에 활용하는 행동을 줄여도 성능을 유지할 수 있었다. 같은 개인 맞춤형 모델에서 '메신저 채팅'과 '금융 결제' 두 가지 행동만 활용하거나 '메신저 채팅' 하나만 분석해도 기존 방식보다 높은 평균 판별 정확도를 보였다.
다만 이번 연구는 행동과 스트레스의 연관성을 활용한 것으로, 특정 행동이 스트레스를 유발하거나 낮춘다는 인과관계를 입증한 것은 아니라고 연구팀은 설명했다.
이의진 KAIST 전산학부 교수는 "이번 연구는 복잡한 스마트폰 기록을 사람이 이해할 수 있는 행동 단위로 바꿔 장기간 정신건강 변화를 보다 안정적으로 분석할 수 있는 기반을 제시한 것"이라고 말했다.
영문기사 보기 (View English Article)