[논문 리뷰] Who We Are, Where We Are: Mental Health at the Intersection of Person, Situation, and Large Language Models

Nikita Soni, August Nilsson외 4명|arXiv (Cornell University)|2026. 03. 06.

Mental Health via Writing인용 수 0

한 줄 요약

이 논문은 심리적 특성과 상황 맥락을 결합한 이론 기반의 해석 가능한 모델을 제시하여, 장기 소셜 미디어 데이터에서 웰빙을 예측하고 적응적/비적응적 자기상태를 탐지한다. 이는 원리적 베이스라인과 심리계측에 기반한 언어 모델을 비교하고 예측 특성의 해석 가능성을 분석한다.

ABSTRACT

Mental health is not a fixed trait but a dynamic process shaped by the interplay between individual dispositions and situational contexts. Building on interactionist and constructionist psychological theories, we develop interpretable models to predict well-being and identify adaptive and maladaptive self-states in longitudinal social media data. Our approach integrates person-level psychological traits (e.g., resilience, cognitive distortions, implicit motives) with language-inferred situational features derived from the Situational 8 DIAMONDS framework. We compare these theory-grounded features to embeddings from a psychometrically-informed language model that captures temporal and individual-specific patterns. Results show that our principled, theory-driven features provide competitive performance while offering greater interpretability. Qualitative analyses further highlight the psychological coherence of features most predictive of well-being. These findings underscore the value of integrating computational modeling with psychological theory to assess dynamic mental states in contextually sensitive and human-understandable ways.

연구 동기 및 목표

• 맥락에서의 동적 정신건강 상태를 모델링하기 위해 심리 이론과 NLP를 연결한다.
• 개인 차원을 나타내는 특성과 상황적 8 DIAMONDS 특징을 원리적 베이스라인으로 통합한다.
• HaRT 기반의 개인-맥락 임베딩을 활용하여 언어의 시간적 역학을 포착한다.
• 웰빙과 적응성/비적응성 자기상태에 대한 예측 성능을 평가한다.
• 웰빙과 가장 강하게 관련되는 심리학적 특징에 대한 질적 통찰을 제공한다.

제안 방법

• S8D 상황 특성과 네 가지 PLT 하위영역(암묵적 동기, 정신 건강, 회복력, 인지 왜곡)을 결합한 원리적 베이스라인을 구성한다.
• Deepseek-R1 소수 예제 프롬프트를 사용하여 여덟 가지 S8D 차원으로 게시물을 주석화한다.
• RoBERTa-Large, 긍정도/조화/만족/불안/우울 지표, 그리고 ReLM 회복력 측면을 사용하여 문장 및 게시물 수준에서 19개의 PLT 특징을 계산한다.
• 시간적 이력으로부터 게시물 및 문장 수준 예측을 위한 개인-맥락 임베딩을 생성하도록 HaRT를 미세조정한다.
• 게시물 수준에서 연속적 웰빙(릿지 회귀)을 평가하고 문장 수준에서 적응적/비적응적 라벨(로지스틱 회귀)을 평가한다.
• 모델과 증거 수준 주석을 추출하기 위한 임계치를 평가하기 위해 중첩된 5-폴드 교차검증을 사용한다.

Figure 1: Distribution of probabilities to predict adaptive state for a given sentence. On the top is using HaRTWB-FT + PLT features, and the bottom is using PLT features in Logistic Regression models.

실험 결과

연구 질문

• RQ1 S8D와 PLT 특징을 결합한 이론에 기반한 베이스라인이 심리계측-언어 모델만큼이나 혹은 그보다 더 효과적으로 웰빙을 예측할 수 있는가?
• RQ2 HaRT의 개인-맥락 임베딩이 원리적 베이스라인을 넘어 웰빙 및 자기상태 증거 탐지에 추가 예측력을 제공하는가?
• RQ3 장기적 소셜 미디어 데이터에서 어떤 심리적 특징이 웰빙 및 비적응/적응 자기상태와 가장 강하게 상관하는가?

주요 결과

• 게시물에서 추론된 상황적 특성(S8D)은 주석된 웰빙 점수를 예측한다.
• S8D와 PLT 특징을 결합한 원리적 베이스라인이 개별 특징 그룹보다 성능을 향상시킨다.
• 웰빙 예측에 대해 내부 검증에서 HaRT 기반의 개인-맥락 임베딩이 베이스라인을 능가하며, 결합된 특징 세트가 가장 강한 성능을 보인다.
• HaRT 기반 모델은 적응적 및 비적응적 증거 구간을 효과적으로 식별하며, 베이스라인 특징보다 언어 변이도에 더 높은 민감도를 보인다.
• 질적 분석은 웰빙이 삶의 만족, 삶의 조화, 그리고 긍정성과 양의 관계를 보이는 반면, 특정 회복력 지표 및 인지 왜곡 지표와는 부정적으로 연관됨을 강조한다.

Figure 2: Qualitative analysis of features in our principled baseline consisting of psychological characteristics of the situation and person-level traits. Left: Pearson correlation coefficients; Right: Ridge regression beta coefficients for predicting well-being with the S8D and PLT features.