아리아디 아리아디(Aryadi Aryadi), 해리스 가디 프라토모(Harris Gadih Pratomo), 카녹삭 와타나초트(Kanoksak Wattanachote) 등 연구진은 보존치과 상담에서 환자 감정을 자동 인식하는 2026년 Frontiers in Oral Health 연구를 발표했다. 연구진은 치과의사와 환자 간 상호작용에서 감정적 소통이 중요하지만, 치과 상담에 특화된 자동 감정 인식 자료가 제한적이라는 점에서 감정 라벨이 붙은 치과 상담 코퍼스를 구축했다.

연구진은 보존치과 상담 12건의 음성 녹음을 전사하고 이를 환자 발화 단위로 나눴다. 최종 데이터셋은 발화 2,160개로 구성됐으며, 훈련된 주석자 3명이 Neutral, Fear, Sad, Happy, Angry, Disgust 등 6개 감정 범주에 따라 표준화된 체계로 독립 라벨링했다. 주석 일치도는 Cohen's kappa(우연을 제외한 일치도)로 측정됐고, 코퍼스는 κ = 0.89로 높은 신뢰도를 보였다.

Neutral은 23.15%로 가장 흔한 범주였고, Fear 19.44%, Disgust 18.98%가 뒤를 이었다. Fear는 코퍼스에서 가장 자주 나타난 감정 중 하나였지만, 동시에 분류가 가장 어려운 범주였다. 연구진은 BiLSTM 분류기를 학습시키고, BERT와 RoBERTa를 포함한 Transformer 기반 기준 모델(텍스트의 중요 부분에 주의를 기울이는 모델)과 비교했다.

기준 BiLSTM 모델은 macro-F1 0.87을 기록했고, BERT는 0.89, RoBERTa는 0.91에 도달했다. 하이브리드 프레임워크는 신뢰도가 낮은 BiLSTM 예측에 LLM 기반 신뢰도 재순위를 적용했으며, 오픈소스 LLM 3종인 Llama 3.1, DeepSeek-R1, Qwen 2.5가 평가됐다. BiLSTM + Qwen 2.5는 가장 높은 macro-F1 0.92를 냈지만, 모든 p > 0.05로 성능 향상은 통계적으로 유의하지 않았다. 저자들은 이 결과를 감정적으로 모호한 환자 발화에서 선택적 LLM 기반 재순위 적용에 대한 예비 증거로 설명했다.

아리아디 아리아디(Aryadi Aryadi), 해리스 가디 프라토모(Harris Gadih Pratomo), 카녹삭 와타나초트(Kanoksak Wattanachote) 등 연구진은 보존치과 상담에서 환자 감정을 자동 인식하는 2026년 Frontiers in Oral Health 연구를 발표했다. 연구진은 치과의사와 환자 간 상호작용에서 감정적 소통이 중요하지만, 치과 상담에 특화된 자동 감정 인식 자료가 제한적이라는 점에서 감정 라벨이 붙은 치과 상담 코퍼스를 구축했다.

연구진은 보존치과 상담 12건의 음성 녹음을 전사하고 이를 환자 발화 단위로 나눴다. 최종 데이터셋은 발화 2,160개로 구성됐으며, 훈련된 주석자 3명이 Neutral, Fear, Sad, Happy, Angry, Disgust 등 6개 감정 범주에 따라 표준화된 체계로 독립 라벨링했다. 주석 일치도는 Cohen's kappa(우연을 제외한 일치도)로 측정됐고, 코퍼스는 κ = 0.89로 높은 신뢰도를 보였다.

Neutral은 23.15%로 가장 흔한 범주였고, Fear 19.44%, Disgust 18.98%가 뒤를 이었다. Fear는 코퍼스에서 가장 자주 나타난 감정 중 하나였지만, 동시에 분류가 가장 어려운 범주였다. 연구진은 BiLSTM 분류기를 학습시키고, BERT와 RoBERTa를 포함한 Transformer 기반 기준 모델(텍스트의 중요 부분에 주의를 기울이는 모델)과 비교했다.

기준 BiLSTM 모델은 macro-F1 0.87을 기록했고, BERT는 0.89, RoBERTa는 0.91에 도달했다. 하이브리드 프레임워크는 신뢰도가 낮은 BiLSTM 예측에 LLM 기반 신뢰도 재순위를 적용했으며, 오픈소스 LLM 3종인 Llama 3.1, DeepSeek-R1, Qwen 2.5가 평가됐다. BiLSTM + Qwen 2.5는 가장 높은 macro-F1 0.92를 냈지만, 모든 p > 0.05로 성능 향상은 통계적으로 유의하지 않았다. 저자들은 이 결과를 감정적으로 모호한 환자 발화에서 선택적 LLM 기반 재순위 적용에 대한 예비 증거로 설명했다.