대규모 언어모델을 활용한 질적 데이터의 양적 지표화 : 물리치료 융합을 위한 새로운 방법론

Quantification of Qualitative Data Using Large Language Models: A Novel Methodology for Physical Therapy Integration

질적 분석은 물리치료에서 환자의 주관적 경험, 치료에 대한 인식, 회복 과정에 대한 심층적 이해를 제공하여 중재 개발 및 치료 결과 향상에 필수적인 과정이다. 그러나 물리치료 환자 인터뷰에 기반한 전통적인 질적 분석은 효율 및 신뢰성 측면에서 문제에 직면하고 있다. 본 연구에서는 이러한 한계를 개선하기 위해 물리치료 연구의 질적 분석에 대형 언어 모델(Large Language Models, LLMs)을 통합하는 방안을 제안하고 있다. 뇌졸중 환자 20명을 대상으로 반구조화된 인터뷰를 실시하였으며, 체계적인 질적 코딩을 위한 정량적 지표인 대형 언어 모델 지수(LLMq, Large Language Model Quotient) 방법론을 적용하여 물리치료 맥락에서의 타당성과 효과성을 검토하였다. 뇌졸중 환자 20명의 반구조화 인터뷰를 시범 사례로 활용하여, ChatGPT, Claude, Gemini 세 LLM에 각 160회 반복 측정을 수행하고 대형 언어 모델 지수(LLMq) 방법론을 적용하여 물리치료 맥락에서의 타당성을 검토하였다. 급내상관계수(ICC) 분석 결과, ICC(3,1)은 0.802, ICC(3,k)는 0.924로 Cicchetti(1994)가 제시한 우수함의 기준에 부합하는 결과를 보였다. 결과적으로 새로운 방법론이 질적분석 효율성 향상 및 주관적 편향을 감소를 촉진한다는 것을 확인하였으며, LLM이 물리치료 연구에 유용한 가치를 제공한다는 것을 시사한다.

Qualitative analysis constitutes an essential methodological approach in physical therapy research, offering comprehensive insights into patients' subjective experiences, perceptions of therapeutic interventions, and recovery trajectories, thereby facilitating evidence-based intervention development and optimizing clinical outcomes. Nevertheless, conventional qualitative analytical approaches applied to physical therapy patient interviews encounter substantial limitations regarding analytical efficiency and inter-rater reliability. The present study examines the integration of Large Language Models (LLMs) into qualitative research methodologies within the physical therapy domain to address these methodological constraints. Semi-structured interviews were conducted with one stroke patient as a pilot case, and three LLMs (ChatGPT, Claude, and Gemini) were employed with 160 iterative measurements each to implement the Large Language Model Quotient (LLMq) methodology—a quantitative framework for systematic qualitative coding—to evaluate its validity and applicability within the physical therapy research context. Intraclass correlation coefficient (ICC) analysis demonstrated ICC(3,1) of 0.802 and ICC(3,k) of 0.924, meeting Cicchetti's (1994) criteria for excellent reliability. Findings demonstrate that this analytical approach significantly enhances the efficiency of qualitative data analysis (reducing analysis time from weeks-months to hours-days) while mitigating subjective interpretive bias (ICC 0.802), thereby substantiating the considerable methodological value that LLM-based approaches confer upon physical therapy research endeavors.