소방 관련 종사자를 위한 생성형 AI 기반 실감형 치유 시스템 제작: 실감형 라이프 리뷰 기반 심신 통합 회복 알고리즘

1. 연구 배경

구조·재난 대응 직군은 고강도 사건에 반복적으로 노출되는 직무 특성으로 인해 PTSD 및 동반 증상(우울, 불안, 수면장애) 위험이 높은 집단으로 보고되어 왔다. 기존의 문헌고찰과 스코핑 리뷰(Scoping Review)는 구조대원·소방공무원 집단에서 PTSD 유병률이 높고, 특히 반복적·누적 외상 노출이 주요 위험요인이라는 점을 일관되게 제시한다^[1-3]. 이러한 근거는 단일 사건 중심의 사후 개입만으로는 충분하지 않으며, 예방–조기 식별–지속적 추적관리로 이어지는 운영체계가 요구된다는 점을 시사한다.

해외 연구에서 동료 기반 지원(Peer Support)의 역할도 점차 명확해지고 있다. 구조대원 대상 동료지원 프로그램에 대한 효과를 갖기 위해서는 단발성 상담이 아니라 표준화된 교육, 사례 기반 학습, 조직문화(낙인 감소 및 도움 요청 규범) 개입, 추적 모니터링이 결합되어야 한다고 제안한다^[4]. 또한 실무 지향 연구는 동료 지원이 전문 치료를 대체하는 체계가 아니라, 초기 위험 신호를 포착하고 접근성 높은 지지를 제공한 뒤 적절한 전문 기관으로 연계하는 단계적 지원 구조로 설계되어야 함을 강조한다^[5]. 이는 동료상담이 “관계 기반 접근성”을 제공하는 강점을 가질 수 있으나, 기록·연계·추적의 운영 기반이 갖추어져야 더 큰 효과를 얻을 수 있음을 의미한다.

한편, 디지털 정신건강 개입(Digital Mental Health Interventions, DMHI)은 접근성을 확대할 수 있으나 낮은 참여·지속 사용률이 반복적으로 보고되는 종사자 문제 (Engagement Problem)가 핵심 사안으로 제시되어 왔다^[6]. 최근에는 개인의 맥락과 상태에 따라 적시에 개입을 조정하는 JITAI(Just-in-Time Adaptive Intervention) 원칙^[7]과, 개인 특성·환경·선호를 반영한 개인화 전략이 참여 지속성과 효과를 동시에 높일 수 있는 설계 기준으로 부상한다^[8]. 또한 공공조직에서 디지털 도구가 실제로 채택되기 위해서는 사용자가 인식하는 유용성과 사용 용이성이 중요하다는 기술수용모형(TAM)의 고전적 근거가 여전히 유효하다^[9]. 요컨대 국제 연구 흐름은 “동료 기반 관계 자원”과 “디지털 기반 확장성”을 결합하되, 참여·지속성과 안전·책임성을 동시에 만족하는 운영 설계가 핵심이라는 점을 공통적으로 가리킨다^[4][6][9].

국내에서도 직무 관련 외상 노출이 PTSD(Post-Traumatic Stress Disorder) 증상 및 업무 제한과 관련된다는 근거가 제시되며^[10][11], 소방 조직의 정신건강 관리가 개인 단위의 치료 접근만으로는 충분하지 않다는 점이 확인된다. 제도적으로는 심리지원단 및 동료상담제도 운영 지침 등이 존재하나, 권역별 인력·예산·시설 편차가 크고 실감형 회복 지원 인프라가 충분히 확충되지 못한 지역도 존재한다^[12]. 이러한 격차 문제는 동료상담제 활성화와 지원 체계 강화 필요성이 공론장(예: 국정감사)에서 반복적으로 제기되는 배경이 된다^[13].

또한 국내 연구는 제도 도입과 운영의 구체적 과제를 지적한다. 노효민은 국내외 심리지원 제도를 검토하며 동료심리상담 제도의 도입·정착을 위해 제도 설계와 운영 체계가 병행되어야 함을 제안하였고^[14], 허미라·정인철은 동료심리지원 교육 프로그램 개발을 통해 교육 체계의 표준화 필요성을 강조하였다^[15]. 즉 국내 연구축은 동료상담의 필요성을 확인하면서도, 운영의 표준화·교육·사례화 기반이 취약할 경우 지속가능성이 저하될 수 있음을 시사한다.

본 연구 현황에서 경기북부 소담센터에서 상담·프로그램·예방교육 건수는 2023년 5,529건에서 2024년 9,918건으로 79% 증가하였고, 심신건강 프로그램은 57%, 예방교육은 111% 증가하였다^[16][17]. 전문상담은 2024년 292건에서 2025년 1~3분기 1,295건으로 급증하였다^[16]. 따라서 현장에서는 (i) 기록·행정의 자동화 및 표준화, (ii) 내담자 단위 통합 회복 지원 경로의 설계, (iii) 장기 추적 가능한 데이터 구조와 교육·정책으로의 환류 메커니즘을 결합한 통합 접근이 요구된다^[6][7][8].

본 연구는 이러한 문제를 해결하기 위해 (1) 교육–현장–지속관리–데이터 환류의 4축 순환 운영 모델, (2) 확장형 라이프 리뷰 기반 10회기 회복 알고리즘, (3) CASE 메타데이터 스키마와 생성형 AI 코파일럿을 제안한다. 또한 예비 파일럿을 통해 기술적 타당성, 업무 효율성, 탐색적 효과를 제시한다.

2. 연구 목적

본 연구의 목적은 소방 관련 종사자를 대상으로 생애 서사 기반(라이프 리뷰) 맞춤형 개입을 실감형 콘텐츠(라이프라인 체험)와 결합하고, 생성형 AI를 치료자가 아닌 상담사의 코파일럿으로 제한적으로 배치하여, 현장 제약(인력·예산·공간)을 고려한 심신 통합 회복 알고리즘 및 데이터 기반 운영체계를 설계·검증하는 데 있다. 여기서 ‘맞춤형’은 단순 증상 매뉴얼의 조정이 아니라, 내담자의 경험을 생애 전체의 연속성 속에서 재구성해 의미를 재정렬하는 서사 기반 접근을 의미한다. 의미 만들기 이론은 글로벌 의미와 사건 의미의 불일치가 고통을 증폭시키며, 적응은 그 조정 과정에 달려 있음을 설명하고^[19][20], PTG 이론은 외상 경험의 인지·정서적 재처리를 통해 새로운 의미와 관계가 형성될 수 있음을 제시한다^[21][22]. 서사적 정체성은 개인이 삶의 사건을 이야기로 조직하며 자기의 연속성과 방향성을 구성한다는 관점을 제공하고^[23], 라이프 리뷰는 생애 회상을 통해 우울 감소 및 삶의 만족과 의미감 향상에 기여할 수 있다는 근거를 축적해 왔다^[24][25]. 더불어 인지행동치료(Cognitive & Behavioral Therapies, CBT)와 수용전념치료(Acceptance and Commitment Therapy, ACT)는 사건–해석–정서–행동의 연쇄를 구조화하고 가치 기반 행동을 촉진함으로써, 서사 재구성을 일상적 행동 변화로 연결하는 실천적 경로를 제공한다^[27][28].

3. 연구 범위 및 방법

본 연구는 소방 조직의 심리지원을 “개인 단위 상담 서비스의 확대”가 아니라 “조직 수준의 회복 운영체계”로 재구성하기 위해, HCI(Human-Computer Interaction) → 디지털 헬스 → 재난 정책의 우선순위 관점에서 연구 범위와 방법을 설정한다. 상담 장면의 안전한 상호작용 설계(HCI)를 최우선으로 두고, 참여·지속성을 담보하는 개인화·적응형 운영 원리(디지털 헬스)를 결합하며, 권역 격차와 공공조직 확산을 고려한 표준화·거버넌스 모델(재난 정책)로 확장하는 전략을 취한다. 그림 1은 연구 범위와 방법, 절차에 대해 흐름도를 보여준다.

Fig. 1.

Schematic Diagram of the Research Scope, Methods, and Procedures

연구 방법은 디자인 기반 연구(DBR)와 설계과학 연구(DSR)를 결합한 혼합 연구로 구성한다^[18]. HCI 관점에서는 상담사–내담자–시스템 간 안전한 상호작용을 중심으로, 상담사의 최종 판단권을 유지하는 Human-in-the-loop 기반 AI 코파일럿 구조를 설계한다. 디지털헬스 관점에서는 생애 서사 기반 개인화, 운영 데이터 환류, 적응형 개입 구조를 통해 참여와 지속성의 문제를 보완한다. 또한 기술수용모형(TAM)을 활용하여 유용성, 용이성, 현장 채택 가능성을 함께 검토한다.

최종 산출물은 심신 통합 회복 알고리즘, CASE 데이터 스키마, 라이프라인 기반 실감형 UX, AI-assisted workflow, 운영·윤리 가이드라인으로 제시한다^[7][8][29].

1. 생애 서사 기반 개입의 근거

생애 서사 기반 개입은 외상 경험을 단일 사건의 “증상–반응”으로 축소하기보다, 개인이 삶 전체의 연속성 속에서 사건의 의미를 재배치하고 재해석하도록 돕는 접근이다. 본 연구는 의미 만들기(Meaning Making), 외상 후 성장(Post-Traumatic Growth, PTG), 서사적 정체성, 라이프 리뷰(회상치료)의 네 갈래 근거를 통합하여, 누적 외상에 노출된 소방 종사자의 장기적 적응을 설명하는 이론 틀로 사용한다^[20][22][25]. 그림 2는 네 갈래 근거의 통합 구조와 본 연구의 설계 함의를 함께 제시한다. 본 논문의 수식은 설계 논리를 명확히 표현하기 위한 개념적 정식화(conceptual formalization)로, 변수 간 방향성과 구조적 관계를 기술하기 위한 것이며 실측 파라미터에 대한 정량 모델을 의도하지 않는다.

Fig. 2.

Integrated Conceptual Diagram of Life-Narrative-Based Intervention

2. 디지털 정신건강(DMHI)

디지털 정신건강 개입(DMHI)은 접근성과 확장성을 제공하지만, 실제 효과를 좌우하는 핵심 제약으로 참여와 지속 사용률 저하가 반복적으로 지적되어 왔다^[26]. 참여는 단순 사용 빈도가 아니라 “개입에 충분히 노출되는 과정”을 포함하며, 참여가 낮으면 효과 추정이 구조적으로 약화된다. 이를 최소 모델로 나타내면, 관측되는 효과 𝑌는 “잠재적 효과” τ와 참여 수준 𝑒 ∈ [0,1]의 함수가 식 (5)처럼 정의된다.

여기서 𝑒가 낮으면 𝜏가 크더라도 실제 관측 효과는 제한된다 ^[26]. 따라서 DMHI 설계는 효과 그 자체뿐 아니라 참여 𝑒를 높이는 구조(개인화와 적응형 개입)를 포함해야 한다.

최근 연구는 개인 특성과 맥락에 기반한 개인화와 상태 변화에 따라 개입을 적시에 조정하는 JITAI 원칙을 강조한다^[7]. 이를 규칙 기반 논리로 표현하면, 사용자 상태 벡터 x_t가 주어질 때 개입 a_t=π(x_t)와 같은 정책(Policy) 𝜋로 정의되며, JITAI는 x_t의 변화(피로, 위험 신호, 참여 저하 등)에 따라 𝜋를 적응시키는 설계를 핵심으로 한다^[7]. 본 연구에서 “생애 서사”와 “상담 데이터”는 x_t를 풍부하게 만드는 핵심 입력이며, 개인화된 실감형 콘텐츠와 회기 운영은 참여 𝑒를 높이는 설계 자원으로 기능한다.

기술 수용의 관점에서 TAM은 사용자가 인식하는 유용성(Perceived Usefulness, 𝑃𝑈)과 사용 용이성(Perceived Ease of Use, 𝑃𝐸𝑂𝑈)이 채택 의도(𝐵𝐼)에 영향을 준다고 제시한다^[9]. 이를 가장 단순한 선형 형태로 쓰면, 식 (6)으로 표현할 수 있다.

다만 본 연구에서 TAM과 식 (6)은 수용성을 실측·검증하기 위한 계량 모형이 아니라, 유용성(𝑃𝑈)과 용이성(𝑃𝐸𝑂𝑈)이 채택 의향(𝐵𝐼)으로 연결되는 방향성을 명시하기 위한 개념적 렌즈로 활용된다. 즉 식 (6)은 앞선 식들과 마찬가지로 설계 논리를 표현하기 위한 개념적 정식화이며, 계수 𝛼·𝛽·𝛾의 실측 추정이나 구성개념의 확증적 타당도 검증을 의도하지 않는다. 본 연구에서 수용성은 이 렌즈에 근거하여 형성평가 수준에서 탐색적으로 점검되며, 그 구체적 점검 방법과 결과는 5.3절에서 제시한다.

공공조직 도입에서는 BI가 개인의 채택을 넘어 조직 확산의 선행 조건이 되므로^[9], 상담사의 업무 부담을 실질적으로 줄이고(유용성), 도구 사용이 직관적이며(용이성), 최종 통제권이 상담사에게 있음을 보장하는 설계가 핵심이 된다.

공공조직 도입에서는 𝐵𝐼가 개인의 채택을 넘어 조직 확산의 선행 조건이 되므로^[9], 상담사의 업무 부담을 실질적으로 줄이고(유용성), 도구 사용이 직관적이며(용이성), 최종 통제권이 상담사에게 있음을 보장하는 설계가 핵심이 된다.

따라서 본 연구는 생성형 AI를 상담의 “대체”가 아니라 기록·정리·콘텐츠 생성·사례 검색을 보조하는 “코파일럿”으로 제한한다^[29][30][31]. 이는 두 가지 논리를 동시에 만족한다. 첫째, 상담 관계와 임상적 판단의 핵심은 인간 상담사에게 남겨야 한다는 안전·윤리 논리(상담 장면에서의 책임성 확보). 둘째, 상담사의 실제 업무 병목(기록·요약·정리·사례화)을 줄여 𝑃𝑈를 높이고, 표준화된 흐름으로 𝑃𝐸𝑂𝑈를 높여 𝐵𝐼를 상승시키는 수용성 논리이다^[9]. 결과적으로 코파일럿 설계는 “참여 문제(내담자 측)”와 “수용성 문제(상담사·조직 측)”를 동시에 완화하는 전략으로 정당화된다.

1. 연구 설계: DBR–DSR 결합의 논리와 산출물 정의

본 연구는 현장 기반 문제 해결과 이론 정련을 반복적으로 통합하는 디자인 기반 연구(Design-Based Research, DBR)와, 실무 문제 해결을 위한 인공물(Artifact)의 설계·평가를 핵심으로 하는 설계과학 연구(Design Science Research, DSR)를 결합한 혼합 연구로 수행하였다. DBR은 실제 운영 맥락에서 발생하는 문제를 분해–재구성–재검증하는 반복 사이클을 통해 해결책을 진화시키는 접근이며^[17], DSR은 알고리즘·데이터 스키마·시스템 UX 등 설계 대상을 명시적으로 정의하고 그 타당성과 수용성을 평가하는 절차를 제공한다^[18].

본 연구의 설계 대상(인공물)은 세 범주로 구성된다. 곧 (i) 심신 통합 회복 알고리즘(𝐴), (ii) 상담 및 생애 정보를 구조화하는 CASE 데이터 스키마(𝑆), (iii) 상담사의 업무 흐름과 내담자 경험을 연결하는 UX·시스템 구조(𝑈)이며, 이를 묶어 인공물 집합 𝑋 = {𝐴, 𝑆, 𝑈}로 둔다. 연구의 목적은 현장 성과를 높이는 방향으로 X를 반복적으로 개선하는 데 있으며, 각 반복에서는 현장 관찰·인터뷰·운영 데이터·파일럿 결과로 구성된 증거를 바탕으로 UX 조정, 스키마 필드 변경, 알고리즘 단계 재배치 등의 수정을 가하고, 그 결과를 다음 설계에 환류하는 설계–평가–개선 사이클을 따른다^[16][17].

설계의 평가는 본 연구의 현장 요구를 반영하여 네 가지 기준으로 정리하였다. 곧 업무 효율성(𝐸, 예: 기록·정리 시간 절감), 수용성(𝐴, 예: TAM 관점의 유용성·용이성 정성 점검), 내담자 효과(𝐶, 예: VAS 변화)를 높이고, 위험(𝑅, 예: 오판·오남용·윤리·보안 위험)을 억제하는 방향으로 설계를 점검하였다. 이 네 기준은 각각 파일럿 검증의 업무 효율성(5.2), 수용성·UX(5.3), 탐색적 효과(5.4) 평가로 대응된다. 특히 본 연구는 공공조직 도입을 전제로 위험(R)을 억제하는 보수적 설계 원칙(Human-in-the-loop, 익명화, 최소 보관)을 채택하였다^[30][31].

2. 연구 대상 및 범위

연구 대상은 경기북부소방재난본부 소방동료상담소(소담센터) 및 경기북부 11개 소방서 소방공무원(동료상담사·내담자 포함)이며, 분석 범위는 2023년부터 2025년 3분기까지의 상담·심신 프로그램·예방교육 운영 현황, 전문상담 세션의 UX 및 업무 프로세스, 문서·통계 자료를 포함한다^[16]. 또한 동료상담사·내담자 인터뷰와 업무 플로우 관찰·도식화를 수행하였다. 그림 3은 연구 대상과 범위에 대한 삼각검증 구성도이다.

Fig. 3.

Triangulation Structure for Research Scope and Subjects

자료원은 (i) 운영 통계·문서, (ii) 현장 관찰·공간 조사, (iii) 인터뷰·FGI의 세 축으로 구성되며, 방법론적으로는 서로 다른 자료원을 교차 확인하는 삼각검증(Triangulation) 구조를 따른다. 즉 운영 데이터, 관찰·공간 조사, 인터뷰 데이터의 세 자료원에서 공통적으로 나타나는 패턴(예: 연계 부재, 기록 부담, 추적 필요)을 합의적으로 추출하여 핵심 요구와 문제를 정의하였다^[16][17]. 이 구조는 특정 자료원에 편향된 해석을 줄이고, 설계 요구사항을 현장 기반으로 고정시키는 역할을 한다.

3. 연구 절차

연구는 (1) 이론·제도 분석, (2) 현장 UX·요구 분석, (3) 알고리즘·데이터·AI 보조 시스템 설계, (4) 시뮬레이션·워크숍 기반 파일럿 및 피드백 반영의 4단계로 진행되었다. 각 단계는 산출물과 검증 기준을 갖는 연쇄 구조로 구성된다.

1. 4축 순환 모델과 상담 구조

본 연구의 심신 통합 회복 알고리즘은 교육–현장–지속관리–데이터 순환의 4축 모델을 기반으로 한다. 교육 축은 동료상담사 양성과 조직 교육을, 현장 축은 상담·프로그램을, 지속관리 축은 다회기 추적·예방, 데이터 순환 축은 상담 데이터를 사례화하여 교육·정책·프로그램 설계로 환류하는 체계를 담당한다. 그림 4는 심신 통합 회복 알고리즘을 보여준다.

Fig. 4.

Mind-Body Integrated Recovery Algorithm

상담은 (1) 초기 평가·탐색, (2) 생애 시각화 기반 의미 재구성, (3) 마무리 통합·관계 재연결 행동 촉진의 3단계로 구성되며, CBT/ACT의 사건–해석–정서–행동 틀과 의미 만들기·PTG·라이프 리뷰 근거를 통합하였다^[20][22][25].

상담 데이터의 구조화·추적가능성을 확보하기 위해 CASE 스키마를 설계하였다. 핵심 목적은 (a) 상담 내용의 표준화 저장, (b) 시간 흐름(생애 시점)과 정서 변화의 연계 표현, (c) 위험 구간의 시각적 표기, (d) 사례 라이브러리 구축을 통한 교육·정책 활용이다. 이는 신규 상담사 교육, 프로그램 설계, 조직 차원의 근거 기반 논의에 활용 가능한 데이터 인프라를 지향한다. 표 1은 CASE 스키마와 상담 데이터 인프라를 보여준다.

Table 1.

Counseling data pipeline based on the CASE metadata schema

2. 실감형 라이프라인 UX 및 생성형 AI 콘텐츠 파이프라인

본 연구에서 제안하는 실감형 라이프라인 UX는 단순한 시청각 콘텐츠 제시가 아니라, 상담 장면 안에서 생애 서사의 시각화, 정서적 Pacing, 조직 지지의 감각화, 그리고 생성형 AI 기반 콘텐츠 보조 생성이 통합적으로 작동하는 상호작용 구조로 설계되었다. 핵심 목적은 내담자가 자신의 삶을 시간축 위에서 재조망하도록 돕고, 상담사가 그 과정을 안전하게 조절하며, 생성형 AI는 이 과정을 보조하는 코파일럿 계층으로 기능하도록 한다^[29][30][31].

실감형 회복 지원 환경은 3면 프로젝션(약 270° 시야각) 기반의 몰입형 공간을 중심으로 설계되었다. 이 공간은 내담자가 물리적으로 공간을 이동하면서 생애의 장면들을 순차적으로 조망할 수 있도록 구성되며, 각각의 장면은 생애 사건, 감정 변화, 관계 자원, 회복 메시지 등의 정보와 결합된다. 이때 공간 설계의 초점은 “몰입” 자체가 아니라, 상담적 개입을 지원하는 몰입에 있다. 즉, 실감형 경험은 독립적 미디어 체험이 아니라, 상담사의 질문, 정지, 재생, 회고 유도, 정서 조절과 긴밀하게 연결되는 상담 연동형 UX로 작동한다.

2.1 실감형 라이프라인 UX의 구조

실감형 라이프라인 UX는 크게 입력층(Input Layer), 상담 조정층(Counselor Control Layer), 콘텐츠 경험층(Experience Layer), 안전관리층(Safety Layer)의 4개 층위로 구성된다. 입력층에서는 상담사가 회기 중 또는 회기 전 정리한 에피소드 설명, 생애 시점, 정서 정보, 관계 자원(동료·가족·조직), 개입 목표가 입력된다. 상담 조정층에서는 상담사가 재생 속도, 장면 전환, 일시정지, 메시지 제시 타이밍, 음악 및 내러티브 오디오 노출 시점을 통제한다. 콘텐츠 경험층에서는 라이프라인 시각화, 사건 장면 이미지, 동료 메시지, 내러티브 텍스트, 음악 및 효과음이 통합적으로 제시된다. 마지막으로 안전관리층은 과각성, 압도, 회피, 정서적 부담을 조절하기 위한 pacing 원칙과 중단·에스컬레이션 프로토콜을 포함한다. 표 2는 실감형 라이프라인 UX의 구성 요소와 기능을 나타낸다.

Table 2.

Components and Functions of the Immersive Lifeline UX

이 구조에서 중요한 점은 시스템이 자동으로 모든 콘텐츠를 주도하는 것이 아니라, 상담사의 임상적 판단이 인터페이스의 중심에 유지된다는 점이다. 즉, 실감형 UX는 “자동 체험 시스템”이 아니라 “상담사 중심 조정형 시스템”이다.

2.3 생성형 AI 콘텐츠 파이프라인

생성형 AI는 내담자의 생애 서사를 실감형 콘텐츠로 변환하는 데 사용되지만, 본 연구에서는 이를 완전 자동 생성 시스템이 아니라 상담 지원형 생성 파이프라인으로 정의한다. 즉, AI의 역할은 상담사의 의도를 대체하는 것이 아니라, 콘텐츠 초안 생성과 문서화 보조를 수행하는 데 한정된다.

본 파이프라인은 일반적으로 (1) 데이터 입력 → (2) 서사 구조화 → (3) 콘텐츠 초안 생성 → (4) 상담사 검토 및 수정 → (5) 프로젝션/세션 적용 → (6) 피드백 축적 및 재사용의 절차를 따른다. 표 3은 생성형 AI 기반 실감형 콘텐츠 파이프라인을 나타낸다.

Table 3.

Generative AI-Based Immersive Content Pipeline

이 과정은 콘텐츠 생성의 효율성뿐 아니라, 재사용 가능성과 개인화 수준 향상에도 기여한다. 동일한 내담자의 후속 회기에서 기존 콘텐츠를 수정·보완하여 다시 사용할 수 있으며, 유사 사례 간 패턴 비교와 상담사 교육 자료로도 활용될 수 있다.

2.4 상담사 중심의 Pacing 통제 원리

실감형 개입에서 가장 중요한 위험 요소 중 하나는 과도한 몰입에 따른 과각성(Hyperarousal) 또는 정서적 압도(Overwhelm)이다. 따라서 본 연구는 콘텐츠의 강도보다 노출 방식의 조절(Pacing)을 핵심 원리로 둔다. Pacing은 상담사가 내담자의 반응을 보며 실시간으로 개입 강도를 조절하는 규칙으로 식 (12)와 같이 논리적으로 표현할 수 있다.

$\[ P_t=f\left(v_t,a_t,q_t,s_t\right) \]$

(12)

여기서 P_t는 시점 t에서의 Pacing 수준, v_t는 시각 자극 강도(Visual Intensity), a_t는 청각 자극 강도(Audio Intensity), q_t는 상담사의 질문 개입 수준(Questioning Level) 및 s_t는 내담자의 정서 안정 상태(Stability State)를 나타낸다. 그림 5의 상단은 Pacing 함수의 매개변수 영향을 나타낸 그래프이다.

Fig. 5.

Conceptual parameter influence on the pacing function (top) and hyperarousal risk function (bottom)

상담사는 s_t가 낮아진다고 판단될 경우, 즉 내담자의 정서적 안정성이 감소한다고 판단되면 v_t, a_t, q_t를 모두 낮추거나 일시정지를 수행한다. 반대로 내담자가 충분히 안정적이고 의미 탐색이 가능한 상태라면, 서사적 탐색을 심화하는 방향으로 자극과 대화를 조절할 수 있다.

과각성 위험을 단순화하여 표현하면 다음과 같은 위험 함수도 식 (13)처럼 정의할 수 있다.

$\[ R_t=\alpha v_t+\beta a_t+\gamma d_t-\delta c_t \]$

(13)

여기서 R_t는 시점 t의 과각성 위험 수준, d_t는 사건의 정서적 난이도 또는 민감도, c_t는 상담사의 보호적 개입 수준(Counselor Buffering), 𝛼,𝛽,𝛾, δ는 가중치이다. 만약 R_t>λ (λ: 사전 설정 임계치)이면, 시스템 또는 상담사는 즉시 다음 중 하나를 수행하도록 설계한다. 장면 재생 중단, 저강도 화면으로 전환, 음악·오디오 제거, 안정화 질문 또는 호흡 유도 및 후속 전문개입 검토이다. 즉, 본 시스템은 “몰입을 극대화하는 시스템”이 아니라, 정서적으로 안전한 범위 안에서 의미 재구성을 유도하는 시스템이다. 그림 5의 하단은 과각성 위험 함수 R_t의 매개변수별 영향을 그래프로 나타낸다.

2.5 코파일럿 원칙과 인간 통제 구조

생성형 AI의 역할은 상담사의 업무 흐름을 보조하는 수준으로 제한된다. 이는 코파일럿 원칙으로 정리되며, 구체적으로는 다음 세 가지 규칙으로 운영된다. 첫째, AI는 초안을 제안할 수 있으나 결정하지 않는다. 둘째, 상담사는 언제든 결과를 수정·거부·중단할 수 있다. 셋째, 고위험 정서 반응, 부정확한 생성, 개인정보 문제는 반드시 인간 판단으로 처리한다. 이를 의사결정 구조로 표현하면 식 (14)와 같다.

$\[ O_t=H\left(A_t,J_t\right) \]$

(14)

여기서 A_t는 시점 t에서 AI가 생성한 추천 결과, J_t는 상담사의 맥락 판단(Contextual Judgment) 및 H(⋅)는 인간 최종 결정 함수이다. 즉, 실제 세션에서 적용되는 최종 산출물 O_t는 AI 결과 자체가 아니라, AI 제안과 상담사의 맥락적 판단이 결합된 결과이다. 이는 공공조직과 심리지원 현장에서 요구되는 책임성, 안전성, 설명 가능성을 확보하는 핵심 조건이다. 그림 6은 코파일럿 원칙과 인간 통제 구조를 나타낸다.

Fig. 6.

Copilot Principles and Human Control Structure

3. 생성형 AI 기반 실감형 회복 지원 알고리즘 구현

본 연구에서 제안하는 생성형 AI 기반 실감형 회복 지원 알고리즘은 (1) 생애 서사 데이터의 구조화, (2) 서사 프레임의 시각화(라이프라인), (3) 자동 생성 콘텐츠를 활용한 몰입 경험, (4) 회기 기반 개입과 추적관리로의 환류를 하나의 폐루프로 통합하는 설계로 설명할 수 있다. 즉, 내담자의 삶을 ‘시간축 위의 서사’로 재구성하고, 그 서사를 실감형 경험으로 전환함으로써 의미 재구성과 관계 기반 회복을 촉진하도록 구성된다.

우선 알고리즘의 입력 단계에서는 상담 대화와 생애 사건, 정서 반응, 해석, 관계 자원(동료·가족·조직), 프로그램 참여 이력 등 핵심 정보를 표준 항목으로 수집·정렬하여 내담자 단위의 서사 프레임을 생성한다. 이는 단일 사건 중심의 회상에서 벗어나, 삶의 전반을 연대기적 구조로 배열할 수 있는 데이터 기반을 제공한다. 다음으로 처리 단계에서는 생성형 AI가 상담 내용에서 의미 단위를 추출·요약하고, 사건–해석–정서–행동의 연결과 가치·강점·전환점 정보를 태깅하여, 생애 전반을 시각화하는 라이프라인(생애선) 초안을 구성한다. 이 과정은 외상 사건을 고립된 실패로 고정시키기보다 생애 궤적 속의 한 에피소드로 재배치하도록 돕는 ‘서사 재구성’에 해당한다.

알고리즘은 체험 이후의 반응(자기보고, 회기 기록, 과제 수행, 추적 지표)을 다시 데이터로 환류시켜 다음 회기의 질문 설계, 콘텐츠 조정, 프로그램 연계, 장기 추적관리로 연결한다. 이로써 알고리즘은 ‘상담 한 번’이나 ‘콘텐츠 한 편’에 머무르지 않고, 상담–실감형 체험–행동 과제–추적관리가 순환하는 폐루프 회복 체계로 작동한다는 점에서 조직 단위 운영이 가능한 통합 모델로 설명될 수 있다.

본 연구에서 ‘구현’의 범위는 다음과 같이 구분된다. 핵심 구현 산출물은 (1) 생애 서사 자동 구조화–라이프라인 생성으로 이어지는 회복 지원 알고리즘 로직, (2) CASE 메타데이터 스키마, (3) 상담사 코파일럿 UX 플로우와 입력 워크플로(그림 9·10), (4) 3면 프로젝션 기반 미디어 치유실의 파노라마 투사(그림 8)이다. 이들은 상용 생성형 AI 서비스를 교체 가능한 기능 모듈로 결합하여 실제 동작을 확인한 범위에 해당한다. 반면 VR·생체신호 연동, 기관별 확산 버전(고·중·저사양), 다기관 운영은 설계·제언 수준으로, 본 연구의 검증 범위에 포함되지 않는다.

3.1 생성형 AI 구독 서비스 구성 및 역할

표 4는 실감형 회복 지원 알고리즘의 동작을 연구 단계에서 검증하기 위해, 상용 구독형 생성형 AI 서비스를 ‘기능 모듈’로 조합해 활용한 구성을 요약한 것이다. 본 연구의 기여는 서사 구조화–콘텐츠 생성–실감형 체험–추적/환류로 이어지는 회복 지원 알고리즘과 데이터 스키마·UX 플로우 자체에 있으며, 상용 생성형 AI 서비스는 이 알고리즘을 구현·검증하기 위한 교체 가능한 기능 모듈로 활용하였다. 따라서 특정 서비스가 아니라, 그 위에서 재현 가능한 알고리즘·스키마·UX가 핵심 산출물이다. 즉, 특정 서비스 자체가 연구 성과가 아니라, 서비스 조합 위에서 재현 가능한 회복 지원 알고리즘·데이터 스키마·UX 플로우가 핵심 산출물이며, 향후 도입 단계에서는 보안·예산·정책 요건에 따라 온프레미스/온디바이스/국산·오픈소스 모델로 대체 가능하도록 모듈화한다.

Table 4.

Classification of Generative AI Service Modules

연구 단계에서 활용한 구독형 AI 서비스 조합은 다음과 같이 정리된다. 첫째, 대화 요약·의미 단위 추출·태깅·상담 기록 구조화 등 서사 데이터 처리 및 문서화 자동화에는 GPT 계열 LLM, Claude 계열 LLM을 활용하였다. 둘째, 생애 서사 프레임을 시각적으로 표현하고 라이프라인 체험에 활용할 이미지·그래픽·상징 오브젝트를 생성하기 위해 이미지 생성/디자인 지원 도구로 Midjourney를 사용하였다. 셋째, 라이프라인 시나리오를 영상 기반으로 구현하거나 몰입형 장면 전환을 제작하기 위해 영상 생성·편집 및 합성 도구로 Runway와 Higgsfield를 활용하였다. 넷째, 내담자 경험을 보조하는 오디오 요소(예: 내러티브 음성/정서 유도 음악/사운드 큐)를 제작하기 위해 오디오·음악 생성 도구로 Suno를 사용하였다. 다섯째, 위 과정에서 생성되는 데이터의 전처리·연계·배포·로그 관리 등 운영 자동화를 위해 워크플로 자동화/오케스트레이션 도구를 활용하였다. 이러한 콘텐츠 생성 파이프라인은 상담에서 추출된 에피소드를 표준화된 프롬프트와 상담사 검토를 거쳐 라이프라인 체험에 적용함으로써, 개인의 서사를 안전하게 시각화하여 개입에활용한다.

상담에서 추출된 에피소드 → 표준화된 프롬프트 → 상징 이미지 생성 → 상담사/내담자 검토 → 라이프라인 체험 적용으로 이어지는 콘텐츠 생성 파이프라인을 통해, 실감형 회복 지원 알고리즘이 개인의 서사를 안전하게 시각화하여 개입에 활용하는 방식을 보여준다.

그림 7은 연령 변환(Age Transformation) 기술을 실감형 라이프 리뷰(라이프라인) 체험에 적용하는 방식을 개념적으로 설명하는 도식으로 정리할 수 있다. 핵심은 내담자의 생애 특정 시점(예: 어린 시절, 청년기, 현재, 미래)의 자기상을 연령 변화가 반영된 시각 이미지로 생성·제시하여, 생애 서사 재구성과 정서적 거리두기, 자기연민 및 의미 재해석을 촉진하는 데 있다.

Fig. 7.

Application of Age Transformation Technology to Lifeline ExperienceNote: The portrait images in Fig. 7 are not photographs of real individuals; they were generated and composited with a generative-AI tool (Gemini) to illustrate age transformation.

3.2 공간 환경 파악 및 최적화

미디어 치유실은 정면과 좌·우 측면의 3면 스크린을 약 270° 시야각으로 배치한 몰입형 공간으로, 실내 약 3.6m(폭) × 4.3m(깊이) 규모이다(정면 투사벽 약 3.6m, 좌·우 측면벽 각 약 4.3m). 기존 설치된 천장 프로젝터 3대를 활용하여 정면·좌측·우측 벽면에 각각 영상을 투사하고, 내담자는 세 벽면이 둘러싼 중심 위치에서 생애 장면을 조망한다. 내담자 주 시청 위치는 정면벽에서 약 2.1m, 좌·우측 벽에서 각 약 1.8m 떨어진 실내 중앙으로 설정하여 3면 영상이 시야에 균등하게 들어오도록 하였다. 별도의 좌석·디스플레이 가구를 두지 않고 상담사용 제어 PC를 출입문 측에 배치하여, 시야를 가리는 요소를 최소화하였다.

콘텐츠는 실사와 생성 영상을 합성한 파노라마를 3면에 분할 투사하는 방식으로 제시된다. 3면 경계의 이음매(seam)를 줄이기 위해 인접 영상을 약 500mm(화면 폭의 약 15%) 폭으로 중첩(edge blending)하여 정합하였으며, 이 중첩 폭은 멀티프로젝션에서 통용되는 화면 폭의 약 10~20% 범위를 참고하여 적용하였다. 또한 세 면에 걸친 생애 장면의 색조·톤·인물 외형이 면마다 어긋나지 않도록 생성 단계에서 동일 시드·스타일 기준을 적용하는 일관성(consistency) 전략을 두었으며, 그 일관성은 표준 시나리오 적용 과정에서 상담사·연구진의 육안 검토를 통해 면 간 이질감이 수용 가능한 수준인지 확인하는 방식으로 점검하였다. 그림 8은 공간 디자인 구조도와 실사 합성 영상을 실제 공간에 파노라마로 투사한 프로젝션 테스트 결과를 함께 제시하며, 약 270° 시야각에서 실사 합성 콘텐츠를 시청각적으로 통합 제시하는 구성이 실제 공간에서 구현 가능함을 보여준다.

Fig. 8.

Media Healing Room: Spatial Design and Real-Scale Panorama Projection

세션 운영은 상담사가 제어 PC에서 타임라인 재생 속도·일시정지·장면 전환과 동료 메시지·음악 재생 시점을 제어하는 방식으로 이루어지며, 이를 통해 내담자가 압도되지 않도록 Pacing을 통제한다(4.2.4). 다만 본 구현은 단일 공간에서의 3면 투사 검증 수준이며, VR 헤드셋·생체신호 측정 연동은 본 연구의 구현 범위에 포함되지 않은 향후 확장 항목이다.

4. 업무 지원을 위한 AI 보조 시스템

본 연구는 동료상담사의 업무 부담을 경감하고 상담의 질을 높이기 위해 AI 보조 시스템을 설계하였다. 이 시스템에서 생성형 AI의 역할은 치료적 판단이 아니라 상담 기록·정리·구조화를 지원하는 코파일럿으로 한정되며, 상담사의 업무 흐름을 따라 동작한다(4.2.5).

상담 세션 UX 플로우는 사전 자가 점검으로 시작하여, 상담 중·후의 데이터 입력과 콘텐츠 정리, 다음 회기 준비로 이어진다. 상담 정리 모듈은 음성-텍스트 변환(STT) 결과와 상담 노트를 입력받아 의미 단위 추출, 사건–해석–정서–행동 태깅, 회기 요약, 생애 시점 매핑을 보조 수행하며, 그 결과를 CASE 스키마에 적재 가능한 표준 형식으로 정리한다. 이를 통해 상담사는 기록·행정 업무에 소요하던 시간을 줄이고, 내담자의 표정·목소리·정서 변화 관찰과 관계 형성에 주의 자원을 재배분할 수 있다.

그림 9는 이러한 입력(ingestion) 계층을 개념화한 것으로, 상담 과정에서 생성되는 텍스트·이미지 정보가 어떤 절차를 거쳐 표준화되어 사례화–시각화–콘텐츠 생성 모듈로 전달되는지를 제시한다. 구체적으로 입력 계층은 텍스트 입력 → 메타데이터 정리 → 통합 입력 → 이미지 선택·미리보기 → 통합 저장의 5단계로 구성되며, 각 단계에서 상담 텍스트와 생애 시점·유형·상태 메타데이터가 표준 형식으로 정렬되어 사례 데이터셋으로 결합된다. 본 시스템이 상담 운영의 후속 업무 시간을 실제로 어느 정도 단축하는지에 대한 정량적 검증 결과는 5.2절에서 제시한다.

Fig. 9.

Text and Metadata Integrated Input Workflow

그림 10의 상단에 제시된 사건 정리 리스트는 상담 과정에서 도출된 사건 정보를 표준 항목으로 구조화하여 저장하는 단계로서, CASE 메타데이터 스키마의 핵심 입력 자료로 기능한다. 여기에는 사건의 내용, 시점, 위험 신호, 보호요인, 정서 반응, 해석 정보 등이 포함되며, 이 자료는 이후 사례화와 추적관리를 위한 기본 레코드가 된다. 동시에 선택된 사건들은 후속 모듈과 직접 연계되어 라이프라인 시각화의 노드로 변환되고, 에피소드 이미지, 내러티브 스크립트, 동료 지지 메시지 카드 등 시각·청각 콘텐츠 생성의 입력값으로 활용된다. 또한 사건별 특성은 회기별 개입 목표 설정, 과제 추천, 프로그램·교육 연계, 추적관리 계획 수립에도 활용된다.

Fig. 10.

Analysis of Major Life Events and Emotional Change Trajectory

이에 비해 그림 10의 하단은 상단의 구조화된 사건 정보를 상담사와 내담자가 공동으로 해석할 수 있도록 재구성한 시각화 단계라고 할 수 있다. 즉, 그 사건들을 시간, 정서, 의미, 관계 자원의 차원에서 재배열하여 상담 서사의 전체 흐름을 한눈에 파악하도록 돕는 도식화 결과이다. 구체적으로, 사건들은 시간축 위에 배치되어 생애 전반의 흐름을 보여주며, 사건 유형은 색상이나 아이콘으로 구분되어 외상·전환·성취·관계·상실 등의 성격이 드러나도록 설계된다. 또한 각 사건에는 정서 강도, 신체 반응, 핵심 해석이 함께 매핑되어 사건이 단순 사실이 아니라 사건–해석–정서–행동의 연쇄 구조로 이해되도록 한다. 나아가 동료·가족·조직과 같은 관계 자원 및 보호요인을 별도 레이어로 제시함으로써, 위험뿐 아니라 회복 자원까지 동시에 가시화할 수 있다.

그림 10은 본 검증에 참여한 사례 중 하나에 대해 도출된 실제 생애 사건 흐름과 감정 변화를 익명화하여 통합 시각화한 것으로, 상담사의 개입 우선순위 판단, 내담자의 서사 균형 회복, 회기별 목표·과제·프로그램 연계 설계의 기준 프레임으로 활용된다. 이 결과는 실감형 라이프라인 체험에서 탐색할 구간과 에피소드 콘텐츠를 선택하는 기준이자, 추적관리 단계에서 사건별 변화를 점검하는 참조 틀로 기능한다.

1. 검증 설계 및 기술적 타당성

본 연구의 예비 검증은 제안된 생성형 AI 기반 실감형 회복 지원 알고리즘이 현장 맥락에서 작동 가능한지(기술적 타당성), 동료상담 실무자가 수용 가능한지(수용성), 윤리·안전 쟁점이 관리 가능한지(책무성·위험관리)를 탐색적으로 평가하는 데 목적이 있다. 검증 절차는 서사 입력·구조화, 실감형 체험 연동, 사후 평가의 세 단계로 구성하였다. 참여자들은 인생곡선과 자기역사연표를 작성해 생애 서사를 시간축 위에 외현화하였고, 이를 바탕으로 특정 생애 구간과 연결된 이미지·텍스트·오디오 기반 실감형 콘텐츠를 체험한 뒤, 사후 인터뷰와 FGI를 통해 사용자경험·수용성·윤리·안전성에 대한 의견을 제공하였다. 그림 11은 예비 검증의 목표·개요와 서사 입력·구조화 → 실감형 체험 연동 → 사후 평가로 이어지는 검증 절차를 함께 제시한다.

Fig. 11.

Objectives, overview, and procedure of the preliminary verification

기술적 타당성 검토에서는 10개 표준 시나리오를 기준으로 STT 변환, 에피소드 추출, 타임라인 매핑의 정확도를 확인하였다. 그 결과, 비정형 상담 데이터에서 사건·정서·해석·관계·자원과 같은 핵심 단위를 구조화하고 이를 라이프라인 시각화로 연결하는 파이프라인이 일정 수준의 재현성과 안정성을 확보한 것으로 나타났다. 다만 본 결과는 통제된 파일럿 조건에서의 예비 검증이므로, 향후 다기관·다상황 데이터 기반의 추가 검증이 필요하다.

2. 업무 효율성

본 절의 결과는 본 연구의 1차 정량 지표에 해당한다. 측정 대상은 임상적 효능이 아니라 상담 직후 반복적으로 수행되는 후속 업무의 처리 시간, 즉 운영 프로세스 지표이며, 이는 AI의 역할을 ‘치료적 판단’이 아니라 ‘문서화·구조화 지원’으로 한정한 본 연구의 설계 원칙과 직접 정합된다. 측정은 동료상담사가 동일한 10개 표준 시나리오에 대해 기존 방식과 AI 보조 방식(AI-assisted workflow)으로 각각 후속 업무를 수행하고, 작업별 소요 시간을 실측하여 평균한 값이며, 그 결과는 표 5와 같다.

Table 5.

Comparison of Counseling Task Efficiency

측정 항목은 (1) 상담 노트 정리, (2) 회기 요약문 작성, (3) 에피소드 추출 및 생애 시점 매핑이다. 분석 결과 상담 노트 정리는 평균 8분에서 2분으로 75%, 회기 요약문 작성은 5분에서 1.5분으로 70%, 에피소드 추출 및 생애 시점 매핑은 7분에서 2분으로 71% 단축되었으며, 세 작업을 합산한 1회기당 총 후속 업무 시간은 평균 20분에서 5.5분으로 약 73% 감소하였다. 항목별 절감률이 70~75% 범위에서 비교적 일관되게 나타난 점은, 제안된 알고리즘이 상담 운영의 주요 병목을 표준화된 처리 흐름으로 완화하는 실무 지원 인공물로서 일정 수준의 정량적 타당성을 확보하였음을 시사한다.

다만 본 측정은 제한된 수의 상담사와 통제된 표준 시나리오를 대상으로 한 예비 결과이므로, 절대적 효율 수치보다 병목 완화의 방향성과 크기를 가늠하는 근거로 해석되어야 한다. 표본 확대, 과제 난이도 통제, 학습효과 및 측정 변동성 관리를 포함한 추가 검증은 후속 과제로 남는다.

상담사 피드백에서도 실무적 유용성이 확인되었다. 경력 상담사들은 자동 기록, 발화 추출, 감정 변화 구간 표시 기능이 기억에 의존해 회기 내용을 복기해야 하는 부담을 줄였다고 평가하였으며, 행정 업무 감소로 상담 중 내담자의 표정·목소리·정서 변화에 더 집중할 수 있었다고 보고하였다. 이는 상담사의 주의 자원이 문서화에서 관계 형성과 정서 단서 관찰로 재배분될 가능성을 보여준다. 신규 동료상담사 교육(2명, 3시간, 4단계)에서는 두 참여자 모두 독립 운영이 가능한 수준에 도달하였으나, 소표본·관찰 기반 비교에 따른 예비적 결과이므로 학습 곡선 단축 효과는 탐색적 수준에서 해석할 필요가 있다. 본 결과 전반은 제한된 파일럿 조건에서 도출된 것이므로, 향후 표본 확대, 과제 난이도 통제, 학습효과·변동성 관리가 포함된 추가 검증이 요구된다.

3. 수용성 및 UX

본 절의 수용성 평가는 정식 기술수용모형(TAM) 설문이나 표준화된 척도를 통한 확증적 검증이 아니라, 형성평가 수준의 탐색적 점검으로 수행되었다. 구체적으로는 5점 척도 문항(업무 도움 정도, 추천 의향)과 사후 인터뷰·표적집단면접(FGI) 발화를 유용성, 용이성, 채택 의향의 세 축으로 정성 분류하여, 상담사·내담자·조직 수준에서 시스템이 수용 가능한 방식으로 작동하는지를 확인하였다. 이때 유용성과 채택 의향은 척도 문항과 발화에서 비교적 직접적으로 확인되었으나, 용이성은 별도의 표준 문항 없이 인터뷰에서 부수적으로 언급된 수준이어서 해석에 유보를 두었다. 따라서 본 절의 결과는 수용성의 방향성을 보여주는 신호이며, 구성개념 타당도와 신뢰도에 대한 정식 검증은 다기관 연구 단계의 과제로 남는다.

4. 탐색적 효과

본 절의 평가는 확증적 효능 검증이 아니라, 알고리즘의 작동 가능성과 잠재적 변화 기제를 현장 조건에서 확인하는 형성평가적 성격을 가지며, 소규모·무대조군·단기 관찰이라는 한계 위에서 탐색적으로 해석되어야 한다. 평가는 주관적 안녕감 VAS(0–10점), 5점 척도 프로그램 만족도, 자유 서술 기반 정성 자료를 함께 수집·분석하는 혼합방법으로 수행하였다. 참여자는 총 8명이었고 10회기 프로그램 완주율은 100%로 중도 탈락은 없었다.

주관적 안녕감(VAS)은 평균 3.2점에서 8.4점으로 약 5.2점 상승하였다. 다만 대조군과 통계검정이 없고 신규 몰입 경험에 따른 신기성·기대 효과가 개입할 수 있으므로, 이 변화는 효능의 근거가 아니라 후속 통제 연구가 필요한 탐색적 신호로 본다. 5점 척도 만족도는 전체 4.7, 도움 정도 4.6, 라이프라인 체험 의미성 4.9, 동료 메시지 감동 4.8, 추천 의향 4.6으로 보고되었으며, 특히 ‘라이프라인 체험 의미성’과 ‘동료 메시지 감동’이 상대적으로 높았다는 점은 본 알고리즘이 의도한 핵심 설계 요소(생애 서사 시각화, 조직 지지의 감각화)가 사용자가 지각하는 가치로 연결되었을 가능성을 시사한다. 다만 완주자 표본과 천장 효과를 함께 고려해 해석할 필요가 있다.

정성 자료에 대한 주제 분석은 정량 지표가 보여주지 못하는 변화 기제의 후보를 구체화한다는 점에서 본 절의 핵심 근거에 해당한다. 첫째, ‘생애 전체 조망’은 8명 중 7명(88%)이 언급하였으며, 특정 고통 기억에 편향되었던 자기서사가 생애 전반의 긍정 경험까지 포함하는 균형적 조망으로 확장되었다는 진술이 대표적으로 보고되었다. 이는 외상 사건을 생애 궤적 속 한 에피소드로 재배치한다는 확장형 라이프 리뷰의 설계 의도와 부합한다. 둘째, ‘동료 지지 체감’은 8명 전원(100%)이 언급하여, 동료 메시지가 시각·청각적 경험으로 제공될 때 사회적 지지가 실감 수준에서 강화될 수 있음을 시사한다. 셋째, ‘미래 희망 회복’은 8명 중 6명(75%)이 언급하였으며, 과거 경험의 정리가 미래의 방향성과 목표 인식으로 연결되는 내러티브 전환이 관찰되었다. 그림 12는 프로그램의 정성 주제 분석 결과를 나타낸다.

Fig. 12.

Program Satisfaction and Qualitative Theme Analysis Results

이러한 주제들은 본 연구가 설정한 이론적 기제(생애 서사 재구성, 관계 기반 지지 강화, 의미 재구성)가 사용자 경험에서 재현될 가능성을 보여주는 탐색적 근거로 해석된다. 다만 이는 기제의 작동 가능성을 시사하는 것이지 그 인과적 효과를 입증하는 것은 아니며, 표본 확대와 통제 설계를 통한 확증적 검증이 후속 과제로 남는다.