2026년에 검토된 정신 건강에 관한 음성·발화 연구 68건 중 번아웃이나 정서적 소진을 직접 측정한 연구는 하나도 없었다(Uy 외, Frontiers in Digital Health 2026). 이 공백이 아래의 모든 내용의 전제가 된다. 연구가 실제로 보여주는 것은 더 좁은 범위다. 기본 주파수(F0, 목소리의 기본적인 높낮이)는 급성 스트레스 상황에서 상승하며 통합 표준화 평균차는 0.55이지만, 출판 편향을 보정하면 유의하지 않은 0.17로 줄어든다(Veiga 외, Stress and Health 2025). 콜센터 현장에서 확인한 가장 강력한 결과는 일본 근로자 62명의 우울 증상 예측 AUC 0.783이며(Tani 외, Journal of Occupational Health 2025), 유럽연합에서는 2025년 2월 2일부터 AI로 직원의 감정을 추론하는 행위가 금지되어 있다. 인력 측면의 문제(이직, 폭언, 퇴사 의향)는 저희 콜센터 상담원 번아웃과 이직 통계를 참고하세요. JMIR Mental Health, JAMIA, Scientific Reports, Journal of Voice, Journal of Occupational Health, 유럽연합 집행위원회, 헝가리 개인정보보호 당국(NAIH), 미국 국립사법연구소의 데이터를 종합했으며, 처음부터 끝까지 실험실 근거와 현장 도입 사례를 구분했다.
요약
- 정신 건강에 관한 음성·발화 연구 68건 중 번아웃을 직접 측정한 연구는 0건이며, 독립된 데이터셋으로 검증한 연구는 68건 중 2건(3%)뿐이다 (Uy 외, Frontiers in Digital Health 2026).
- 실제 직장에서 AI로 정신 건강을 모니터링한 연구 13건 중 음성이나 발화 데이터를 사용한 연구는 0건이다 (Jack 외, PLOS Digital Health 2026).
- 급성 스트레스는 F0를 통합 SMD 0.55(95% 신뢰구간 0.30~0.80)만큼 높이지만, trim-and-fill 보정 후에는 0.17로 떨어져 유의하지 않게 된다 (Veiga 외, Stress and Health 2025).
- 스트레스 연구 19건 중 15건에서 F0가 유의하게 상승했으며, 가장 일관된 음향 지표다 (Schewski 외, PLOS One 2025).
- 발화 기반 우울증 탐지: 105건의 연구에서 보고된 최고 정확도의 통합값 0.81 대 최저 정확도 0.66 (Maran 외, JMIR Mental Health 2025).
- 통화 음성 기반 모델이 콜센터 상담원 62명의 우울 증상을 AUC 0.783으로 예측했다 (Tani 외, Journal of Occupational Health 2025).
- 콜센터 상담원이 보고한 직업 경력 전체에 걸친 음성 문제 유병률은 33%에서 68%다 (Nair 외, Journal of Voice 체계적 문헌고찰).
- 평가를 위해 의뢰된 튀르키예 콜센터 상담원 173명 중 70.5%가 직업병으로 확진되었고, 가장 흔한 것은 성대 질환이었다 (Altundas Hatman과 Torun, La Medicina del Lavoro 2022).
- 금지된 관행에 대한 AI법 과징금은 EUR 35,000,000 또는 전 세계 연간 매출액의 7% 중 더 높은 금액에 이른다 (규정 (EU) 2024/1689, 제99조).
- 한 은행의 통화 분석 소프트웨어는 91.96%의 경우 감정을 인식하지 못했으며, 은행은 HUF 250,000,000의 과태료를 부과받았다 (NAIH 결정 NAIH-85-3/2022).
1. 스트레스가 목소리에 미치는 영향: F0, 지터, 시머, 발화 속도
준언어적 분석은 무엇을 말했는지가 아니라 어떻게 말했는지를 살핀다. 고전적인 네 가지 특징은 F0(목소리의 높낮이), 지터(주기마다 나타나는 음높이의 미세한 떨림), 시머(주기마다 나타나는 음량의 떨림), 발화 속도다. 실험실 근거가 분명하게 뒷받침하는 것은 그중 하나다. 급성 스트레스를 받으면 목소리의 높낮이가 올라간다. F0는 19건의 연구 중 15건에서 유의하게 상승했다. 이는 논문 38편을 대상으로 한 2025년 체계적 문헌고찰의 결과이며(Schewski 외, PLOS One 2025), 지터와 시머는 대부분 연관성을 보이지 않았다.
이 효과는 실재하지만, 헤드라인 수치가 시사하는 것보다 작고 불안정하다. 연구 10건과 참가자 583명을 대상으로 한 2025년 메타분석에서는 F0 상승이 SMD 0.55로 통합되었지만, 누락된 부정적 연구를 통계적으로 보정하자 추정치는 0.17로 떨어졌고 신뢰구간이 0을 가로질렀다(Veiga 외, Stress and Health 2025). 또한 이 신호는 헤드셋이 포착하는 바로 그 유형의 발화인 자발 발화에서 가장 강했고, 낭독이나 표준화된 발화에서는 가장 약했다. 개인 내 실험에서는 목소리가 단순한 기분 저하가 아니라 생리적 스트레스에 반응한다는 것이 확인되었다. 특징들은 스트레스 테스트 중에는 변했지만 사회적 배제 과제 중에는 변하지 않았다(Kappen 외, Scientific Reports 2024).
| 지표 | 값 | 출처 |
|---|---|---|
| 급성 스트레스 상황에서 F0의 통합 상승폭(연구 10건, 참가자 583명) | SMD 0.55(95% 신뢰구간 0.30~0.80), I² = 69.2% | Veiga 외, Stress and Health 2025 |
| 출판 편향에 대한 trim-and-fill 보정 후 동일한 통합 F0 효과 | SMD 0.17(95% 신뢰구간 -0.15~0.49), p = 0.29 | Veiga 외, Stress and Health 2025 |
| 자발 발화와 표준화(낭독) 발화에서의 F0 효과 | SMD 0.79 대 SMD 0.14 | Veiga 외, Stress and Health 2025 |
| F0의 유의한 상승을 보고한 스트레스 연구 | 19건 중 15건 | Schewski 외, PLOS One 2025 |
| 스트레스와의 관계를 보인 운율 특징과 음질 특징 | 69건의 검토 중 52건 대 37건의 검토 중 18건 | Schewski 외, PLOS One 2025 |
| 스트레스 과제 중 발화 속도 변화, 참가자 66명 | 상승, d = 1.03(95% 신뢰구간 0.65~1.42) | Kappen 외, Scientific Reports 2024 |
| 같은 스트레스 과제 중 지터 변화 | 감소, d = -0.62(95% 신뢰구간 -1.00~-0.24) | Kappen 외, Scientific Reports 2024 |
| 같은 스트레스 과제 중 시머 변화 | 유의한 변화 없음, p = 0.201 | Kappen 외, Scientific Reports 2024 |
참고: Veiga 메타분석에서는 연구 10건 중 5건이 전반적 편향 위험이 심각한 것으로 평가되었으며, 저자들은 스트레스에 대한 F0 매개변수를 확립하기에는 근거가 불충분하다고 밝힌다. Schewski 외도 공포나 불안에 대한 일관된 음향 패턴을 찾지 못했다.
2. 탐지 정확도: 벤치마크에서의 우울증 및 피로 모델
번아웃은 우울증 및 소진과 겹치므로, 우울증 문헌은 번아웃 모델이 달성할 수 있는 수준에 가장 가까운 대리 지표다. 헤드라인 수치는 강력해 보이지만, 각 논문이 어떤 결과를 보고하기로 선택했는지에 좌우된다. 105건의 연구에서 보고된 최고 정확도의 통합값은 0.81이었고, 같은 연구군에서 보고된 최저 정확도의 통합값은 0.66이었다(Maran 외, JMIR Mental Health 2025). 이 15포인트의 격차는 한 논문 안에서 가장 좋은 구성과 가장 약한 구성 사이의 간격이며, 어떤 모델이 새로운 집단을 만나기도 전의 이야기다.
오래된 접근법도 여전히 통한다. JAMIA 메타분석에서는 수작업으로 설계한 음향 특징이 엔드투엔드 딥러닝을 앞섰다(Liu 외, JAMIA 2024). 피로에서도 같은 소표본 패턴이 나타난다. 수면 박탈 연구는 모음 녹음에서 최대 94%에 이르렀지만, 참여한 사람은 남성 15명뿐이었다(Frontiers in Cell and Developmental Biology 2022). 감정 분류기가 임상 환경에서 실험실 밖에서 어떻게 작동하는지는 저희 음성 감정 인식 정확도 통계를 참고하세요.
| 지표 | 값 | 출처 |
|---|---|---|
| 보고된 최고 정확도의 통합값, 발화 기반 우울증 탐지(연구 105건) | 0.81(95% 신뢰구간 0.79~0.83) | Maran 외, JMIR Mental Health 2025 |
| 같은 리뷰에서 보고된 최저 정확도의 통합값 | 0.66(95% 신뢰구간 0.63~0.69) | Maran 외, JMIR Mental Health 2025 |
| 보고된 최고 민감도와 특이도의 통합값 | 0.84 대 0.83 | Maran 외, JMIR Mental Health 2025 |
| 최소 한 개 영역에서 편향 위험이 높은 포함 연구 | 47.6%(105건 중 50건) | Maran 외, JMIR Mental Health 2025 |
| 우울증에 대한 발화 기반 딥러닝의 정확도 통합값(연구 8건) | 0.87(95% 신뢰구간 0.81~0.93) | Liu 외, JAMIA 2024 |
| 수작업으로 설계한 음향 특징을 사용하는 모델의 정확도 통합값 | 0.89(95% 신뢰구간 0.81~0.97) | Liu 외, JAMIA 2024 |
| 우울한 화자와 우울하지 않은 화자 간 F0 차이의 통합값(연구 6건) | -1.82 Hz, p = 0.56(유의하지 않음) | Cantor-Cutiva 외, Depression and Anxiety 2026 |
| 36시간 각성 후 피로 분류, 다중 모음과 분절 발화 비교(참가자 15명) | 최대 94% 대 76% | Frontiers in Cell and Developmental Biology 2022 |
참고: 우울증 연구 105건의 52.4%는 학술대회 논문이었고, 가장 많이 사용된 공개 데이터셋은 DAIC-WOZ(연구의 33.3%)였으며, 연구별 자체(수작업 구축) 데이터셋이 전체에서 가장 많았다(53.3%). Cantor-Cutiva 외의 리뷰는 17건 중 1건만 질이 높은 연구로 평가했다. 피로에 관해 입수 가능한 최신 데이터: Frontiers in Cell and Developmental Biology, 2022년.
3. 번아웃은 빠져 있는 레이블: 실험실과 현장의 격차
“번아웃 예측” 기능을 구매하려는 사람에게 가장 중요한 절이다. 2026년 스코핑 리뷰는 음성 바이오마커 연구 68건 중 번아웃이나 정서적 소진을 측정한 연구가 하나도 없었으며, 독립된 데이터셋으로 검증한 연구는 68건 중 2건(3%)뿐이었다고 밝혔다(Uy 외, Frontiers in Digital Health 2026). 저자들은 근거가 아직 일상적인 진료에서 수동적 또는 환경적 정신 건강 평가를 뒷받침하지 못한다고 결론짓는다.
직장 관련 문헌도 반대편에서 같은 이야기를 한다. 실제 직장에서의 AI 정신 건강 모니터링으로 범위를 좁힌 리뷰는 연구 13건을 남겼는데, 그중 음성을 사용한 연구는 하나도 없었다(Jack 외, PLOS Digital Health 2026). 현장형에 가까운 몇 안 되는 대규모 음성 연구에서 4,155명이 자신의 휴대전화로 녹음한 결과, 성별, 언어, 과제를 가로질러 공통된 스트레스 관련 특징은 하나도 없었다(Topalian 외, Digital Biomarkers 2026). 다시 말해, 한 집단에서 훈련한 모델이 다음 팀에서도 통한다는 보장은 없다. 같은 검증 문제는 다른 질환의 음성 바이오마커에도 이어지며, 저희 인지 장애 음성 바이오마커 통계에서도 확인할 수 있다.
| 지표 | 값 | 출처 |
|---|---|---|
| 번아웃이나 정서적 소진을 측정한 정신 건강 관련 음성·발화 연구 | 68건 중 0건 | Uy 외, Frontiers in Digital Health 2026 |
| 독립 표본 또는 데이터셋 간 검증을 거친 연구 | 68건 중 2건(3%) | Uy 외, Frontiers in Digital Health 2026 |
| 자연스러운 발화가 아닌 통제된 유도(실험실 과제)를 사용한 연구 | 68건 중 54건(79%) | Uy 외, Frontiers in Digital Health 2026 |
| 여성과 남성이 공유하는 스트레스 관련 음성 특징, 집에서 녹음한 당뇨병 성인 679명 | 없음(각 성별에서 25개 특징 발견) | Bour 외, PLOS Digital Health 2026 |
| 음성이나 발화를 사용한 실제 직장 AI 정신 건강 모니터링 연구 | 13건 중 0건 | Jack 외, PLOS Digital Health 2026 |
| 번아웃을 대상으로 한 실제 직장 AI 모니터링 연구와 스트레스를 대상으로 한 연구 | 13건 중 1건 대 13건 중 10건 | Jack 외, PLOS Digital Health 2026 |
| 실험적(실험실) 스트레스 연구와 현장 연구 | 논문 30편 대 7편 | Schewski 외, PLOS One 2025 |
| 개인 기기에서의 순간 스트레스 음성 연구: 성별, 언어, 과제를 가로질러 공유된 특징 | 없음(참가자 4,155명) | Topalian 외, Digital Biomarkers 2026 |
참고: 현장 데이터 수집은 가능하다. Gaballah 외의 ICASSP 2021 연구는 병원 직원 144명을 10주 동안 착용형 음성 기록과 매일의 자가 보고 스트레스로 추적했지만, 번아웃이 아니라 스트레스를 대상으로 했다(입수 가능한 최신 데이터: IEEE ICASSP, 2021년). 위 표의 당뇨병 코호트(Bour 외, PLOS Digital Health 2026)도 스트레스와 당뇨병 관련 고충 사이에서 공유되는 특징을 찾지 못했는데, 이는 한 연구의 “스트레스”가 다음 연구의 것과 같은 구성 개념이 아니라는 점을 일깨워 준다.
4. 콜센터 도입 사례: 현장 연구가 보고하는 내용
번아웃에 가까운 실제 도입 사례 중 가장 근접한 것은 일본에서 나왔는데, 한 연구 그룹이 상용 음성 분석 시스템을 상담원의 실제 고객 통화에서 검증했다. 모델은 12주에 걸친 우울 증상을 AUC 0.783(95% 신뢰구간 0.691~0.875)으로 예측했지만, 모집된 상담원 240명 중 62명만이 분석에 포함되었고, 시스템은 독점적인 블랙박스이며, 연구는 그 공급업체가 자금을 지원했다(Tani 외, Journal of Occupational Health 2025). 이와 관련된 무작위 시험에서는 같은 도구를 그룹 세션에서 사용했고 우울 점수의 완만한 감소를 확인했다(Tani 외, Journal of Occupational Health 2024).
최근 한국의 두 데이터셋은 대안을 보여준다. 근로자 400명의 일기 연구에서는 상담원이 사용한 단어가 본인의 기분 평가보다 우울 증상을 더 잘 추적한다는 것이 확인되었는데, 이는 준언어적 분석이 아니라 언어 분석이다(Kim 외, Psychiatry Investigation 2026). 콜센터 상담원 31명과 화난 고객을 연기하는 배우들이 참여한 실험실 시뮬레이션은 심박, 피부, 뇌 센서와 결합한 음성에 대해서만 결과를 보고했으므로, 음성 자체의 기여분은 알 수 없다(Lee 외, Scientific Data 2026).
| 지표 | 값 | 출처 |
|---|---|---|
| 통화 음성으로 우울 증상(CES-D 16 이상)을 예측하는 AUC, 상담원 62명 | 0.783(95% 신뢰구간 0.691~0.875) | Tani 외, Journal of Occupational Health 2025 |
| 모의 콜센터에서 일반 통화와 고부하(공격적인 고객) 통화를 구분하는 AUC, 음성과 생리 센서 결합, 상담원 31명 | 0.946 | Lee 외, Scientific Data 2026 |
| 해당 코호트에서 기준 시점에 우울 증상이 있던 상담원 | 30.6%(62명 중 19명) | Tani 외, Journal of Occupational Health 2025 |
| 12주 시점의 우울 점수 변화(대조군 대비): 음성 분석 그룹 세션(5회 이상) 대 상사와의 일대일 면담 | -2.36 대 -1.47 CES-D 포인트 | Tani 외, Journal of Occupational Health 2024 |
| 우울 증상이 있는 한국 감정노동자(PHQ-9 5 이상), 분석 대상 400명 | 50.8%(400명 중 203명) | Kim 외, Psychiatry Investigation 2026 |
| 음성 일기 10일째 시점의 언어 기반 감정 모델 AUC | 75.1% | Kim 외, Psychiatry Investigation 2026 |
| 모의 콜센터에서 지각된 스트레스의 AUC, 음성과 생리 센서 결합, 상담원 31명 | 0.783 | Lee 외, Scientific Data 2026 |
| 미국 교도소 검증에서 Layered Voice Analysis가 탐지한 거짓 응답 비율, 체포된 사람 319명 | 21.4%(특이도 95.2%) | 미국 국립사법연구소, Damphousse 외 2007 |
참고: 두 Tani 연구에서 사용한 일본 시스템은 Layered Voice Analysis(LVA)를 기반으로 한다. 미국 국립사법연구소가 자금을 지원한 오래된 독립 테스트에서는 LVA와 경쟁 음성 스트레스 분석기가 “우연보다 나은 비율로 거짓을 탐지하지 못했다”(NIJ 보고서, 2007). 그 테스트는 기분이 아니라 거짓말을 측정했으므로 우울증 문제를 해결해 주지는 않지만, 독립적인 검증을 요구해야 할 이유는 된다(입수 가능한 최신 데이터: NIJ, 2007년).
5. 음성 부하: 콜센터 업무의 음성 장애와 번아웃과의 연관성
목소리는 센서이기 이전에 업무 도구이며, 그 도구는 닳는다. Journal of Voice의 체계적 문헌고찰(연구 15건)은 콜센터 상담원의 직업 경력 전체에 걸친 음성 문제 유병률을 33%에서 68%로 제시했으며, 시점 유병률은 27%였다(Nair 외, Journal of Voice). 가장 흔한 증상은 쉰 목소리였고, 그다음이 음성 피로였다. 이는 모든 음향 모델에 중요하다. 목이 쉰 상담원의 지터와 시머는 신체적 이유로 달라지며, 스트레스나 번아웃 분류기가 이를 잘못 해석할 수 있다.
임상적 측면은 심각하다. 직업병 전문 병원에 의뢰된 튀르키예 콜센터 상담원 173명 중 70.5%가 직업병으로 확진되었고, 이후 면담한 사람 중 43.8%가 해고된 상태였다(Altundas Hatman과 Torun, La Medicina del Lavoro 2022). 목소리를 많이 쓰는 또 다른 직업인 교사에 대한 연구는 번아웃과 음성 장애를 직접 연결하며, 두 문제는 함께 나타난다. 클리닉이 그러한 손상을 어떻게 측정하는지는 저희 음향 음성 분석과 발성 장애 통계에서 다룬다.
| 지표 | 값 | 출처 |
|---|---|---|
| 콜센터 상담원의 직업 경력 전체에 걸친 음성 문제 유병률(연구 15건) | 33%~68% | Nair 외, Journal of Voice 체계적 문헌고찰 |
| 콜센터 상담원의 음성 문제 시점 유병률 | 27% | Nair 외, Journal of Voice 체계적 문헌고찰 |
| 입사 이후 음성 문제를 보고한 튀르키예 콜센터 직원(조사 대상 264명) | 57.6% | Demir 외, PeerJ 2025 |
| 같은 직원 중 업무 스트레스를 보고한 비율 | 58.3% | Demir 외, PeerJ 2025 |
| 직업병으로 확진된 의뢰 콜센터 상담원(173건) | 70.5% | Altundas Hatman과 Torun, La Medicina del Lavoro 2022 |
| 직업병이 있는 여성 상담원과 남성 상담원의 성대결절 | 92.9% 대 62.4% | Altundas Hatman과 Torun, La Medicina del Lavoro 2022 |
| 근무일 중 발성에 쓴 시간의 평균 비율, 콜센터 상담원 92명 | 14.74%(범위 4%~31%) | Cantarella 외, Journal of Voice 2014 |
| 번아웃 하위 척도 2 | OR 4.01, P = 0.013 | de Brito Mota 외, Journal of Voice 2019 |
참고: 튀르키예 PeerJ 조사(Demir 외 2025)에서 업무 스트레스는 Voice Handicap Index 점수 악화와 유의하게 연관되었다(p < 0.001). de Brito Mota 연구의 교사 208명 중 64.4%는 음성 장애 가능성이 있었고, 2024년 갈리시아 연구(교사 90명)에서는 16%가 번아웃에 부합하는 증상을 보였다. 발성 시간에 관해 입수 가능한 최신 데이터: Cantarella 외, Journal of Voice, 2014년.
6. 법적·윤리적 한계: EU AI법 제5조와 규제 당국의 조치
과학이 내일 성숙한다 해도, 유럽에서 직원 감정 분석을 할 수 있는 법적 여지는 이미 닫혔다. AI법 제5조 제1항 (f)호는 “직장 및 교육기관 영역에서 자연인의 감정을 추론하기 위한 AI 시스템의 사용”을 금지하며, 예외는 의료 또는 안전상의 이유에 한정되고, 2025년 2월 2일부터 적용되고 있다(규정 (EU) 2024/1689, 제5조). 2025년 2월 4일에 공표된 구속력 없는 유럽연합 집행위원회 가이드라인은 뻔한 허점을 막는다. Future of Privacy Forum이 가이드라인을 분석한 바에 따르면 의료 예외는 “스트레스나 번아웃 탐지 같은 일반적인 웰빙 모니터링에는 적용되지 않는다”(FPF, 2026년 3월 24일).
이 금지는 음성 같은 생체 데이터로부터의 추론을 대상으로 한다. 고객의 감정 분석은 포함되지 않으며, 글로 쓴 텍스트로부터 감정을 추론하는 것은 금지 범위 밖에 있으므로, 전사 기반 모델과 음성 기반 모델은 선의 반대편에 놓일 수 있다. 개인정보보호법은 AI법보다 먼저 집행되었다. 헝가리 당국은 통화 분석 소프트웨어로 발신자의 감정 상태에 점수를 매기고 자사 직원의 목소리도 모니터링한 은행에 과태료를 부과했다(NAIH 결정 NAIH-85-3/2022).
| 지표 | 값 | 출처 |
|---|---|---|
| EU에서 직장 내 감정 추론 금지가 적용되기 시작한 날짜 | 2025년 2월 2일 | 규정 (EU) 2024/1689(AI법), 제5조 |
| 금지된 AI 관행에 대한 최대 과징금 | EUR 35,000,000 또는 전 세계 연간 총매출액의 7% 중 더 높은 금액 | 규정 (EU) 2024/1689(AI법), 제99조 제3항 |
| 금지된 관행에 관한 집행위원회 가이드라인(구속력 없음) 공표 | 2025년 2월 4일, 페이지 최종 업데이트 2025년 7월 31일 | 유럽연합 집행위원회, 금지된 AI 관행에 관한 가이드라인 2025 |
| 스트레스나 번아웃 탐지가 의료 예외에 해당하는지 여부 | 아니요, 일반적인 웰빙 모니터링은 제외됨 | 유럽연합 집행위원회 가이드라인, Future of Privacy Forum 분석 2026 |
| 통화 녹음의 AI 감정 분석에 대해 헝가리 은행에 부과된 과태료 | HUF 250,000,000 | NAIH 결정 NAIH-85-3/2022 |
| 은행의 소프트웨어가 감정을 인식하지 못한 경우의 비율 | 91.96% | NAIH 결정 NAIH-85-3/2022 |
| 음성 분석 소프트웨어 내 통화 음성 파일 보관 기간 | 45일 | NAIH 결정 NAIH-85-3/2022 |
| 준수 입증 또는 감정 분석 중단 기한 | 결정 확정 후 60일 | NAIH 결정 NAIH-85-3/2022 |
참고: 유럽연합 집행위원회 가이드라인 페이지는 권위 있는 해석이 유럽연합 사법재판소에 유보되어 있다고 밝힌다. NAIH 결정은 또한 이 소프트웨어가 “통화 상대방이 아닌 직원의 감정”을 인식할 수 있다고 판단했는데, 이는 제5조 제1항 (f)호가 현재 금지하는 유형의 직장 내 감정 추론이다.
숫자로 보는 준언어적 음성 분석과 상담원 번아웃 예측
| 지표 | 값 | 출처 |
|---|---|---|
| 번아웃을 직접 측정한 정신 건강 관련 음성·발화 연구 | 68건 중 0건 | Uy 외, Frontiers in Digital Health 2026 |
| 음성을 사용한 실제 직장 AI 정신 건강 모니터링 연구 | 13건 중 0건 | Jack 외, PLOS Digital Health 2026 |
| 급성 스트레스 상황에서 F0의 통합 상승폭 | SMD 0.55(95% 신뢰구간 0.30~0.80) | Veiga 외, Stress and Health 2025 |
| 출판 편향 보정 후 F0의 통합 상승폭 | SMD 0.17, 유의하지 않음 | Veiga 외, Stress and Health 2025 |
| F0가 유의하게 상승한 스트레스 연구 | 19건 중 15건 | Schewski 외, PLOS One 2025 |
| 실험실 스트레스 과제에서의 발화 속도 효과 | d = 1.03 | Kappen 외, Scientific Reports 2024 |
| 우울증 탐지, 보고된 최고 정확도와 최저 정확도의 통합값 | 0.81 대 0.66 | Maran 외, JMIR Mental Health 2025 |
| 딥러닝 우울증 탐지, 정확도 통합값 | 0.87 | Liu 외, JAMIA 2024 |
| 수작업 음향 특징 모델, 정확도 통합값 | 0.89 | Liu 외, JAMIA 2024 |
| 통화 음성 모델의 우울 증상 AUC, 상담원 62명 | 0.783 | Tani 외, Journal of Occupational Health 2025 |
| 우울 증상이 있는 감정노동자(한국) | 50.8% | Kim 외, Psychiatry Investigation 2026 |
| 콜센터 상담원의 직업 경력 전체에 걸친 음성 문제 유병률 | 33%~68% | Nair 외, Journal of Voice 체계적 문헌고찰 |
| 입사 이후 음성 문제가 있는 튀르키예 콜센터 직원 | 57.6% | Demir 외, PeerJ 2025 |
| 직업병으로 확진된 의뢰 상담원 | 70.5% | Altundas Hatman과 Torun, La Medicina del Lavoro 2022 |
| 금지된 관행에 대한 AI법 최대 과징금 | EUR 35,000,000 또는 매출액의 7% | 규정 (EU) 2024/1689, 제99조 |
| 통화 감정 분석에 대한 헝가리 은행 과태료 | HUF 250,000,000 | NAIH 결정 NAIH-85-3/2022 |
방법론과 출처
- Uy, Shaaban, Arnaout: Voice and speech as digital biomarkers of mental health, Frontiers in Digital Health 2026
- Jack 외: Mental health monitoring in the workplace using artificial intelligence, PLOS Digital Health 2026
- Veiga 외: The fundamental frequency of voice as a potential stress biomarker, Stress and Health 2025
- Schewski 외: Measuring negative emotions and stress through acoustic correlates in speech, PLOS One 2025
- Kappen 외: Acoustic and prosodic speech features reflect physiological stress, Scientific Reports 2024
- Topalian 외: Voice signatures of momentary psychological stress in real-life environments, Digital Biomarkers 2026
- Bour 외: Voice changes associated with stress and distress in people living with diabetes, PLOS Digital Health 2026
- Maran 외: Performance of automatic speech analysis in detecting depression, JMIR Mental Health 2025
- Liu 외: Diagnostic accuracy of deep learning using speech samples in depression, JAMIA 2024
- Cantor-Cutiva 외: The role of voice acoustics in depression assessment, Depression and Anxiety 2026
- A rapid, non-invasive method for fatigue detection based on voice information, Frontiers in Cell and Developmental Biology 2022
- Gaballah 외: Context-aware speech stress detection in hospital workers using Bi-LSTM classifiers, IEEE ICASSP 2021
- Tani 외: Early detection model for depressive symptoms using voice emotion analysis among call center operators, Journal of Occupational Health 2025
- Tani 외: Organizational intervention using Layered Voice Analysis, randomized controlled trial, Journal of Occupational Health 2024
- Kim 외: Daily language as an objective indicator of depressive affective states in emotional labor workers, Psychiatry Investigation 2026
- Lee 외: A multimodal dataset for assessing emotion, stress, and emotional workload in interpersonal work scenario, Scientific Data 2026
- Damphousse 외, 미국 국립사법연구소: Assessing the validity of voice stress analysis tools in a jail setting, 2007
- Nair 외: Prevalence of voice problems, self-reported vocal symptoms and associated risk factors in call center operators, Journal of Voice
- Demir 외: Self-reported voice problems in call center employees, PeerJ 2025
- Altundas Hatman과 Torun: Occupational diseases among call center operators needing vocal rehabilitation, La Medicina del Lavoro 2022
- Cantarella 외: Ambulatory phonation monitoring in a sample of 92 call center operators, Journal of Voice 2014
- de Brito Mota 외: Voice disorder and burnout syndrome in teachers, Journal of Voice 2019; Garcia-Real 외: Vocal problems and burnout syndrome in nonuniversity teachers in Galicia, Folia Phoniatrica et Logopaedica 2024
- 규정 (EU) 2024/1689(AI법): 제5조 및 제99조
- 유럽연합 집행위원회: Guidelines on prohibited artificial intelligence practices, 2025
- Future of Privacy Forum: Red lines under EU AI Act, emotion recognition in the workplace, 2026
- 헝가리 국가 개인정보보호 및 정보자유청(NAIH): Decision NAIH-85-3/2022 on AI-based speech signal processing
- 데이터 참고 사항: 검증된 번아웃 척도를 기준으로 음성 기반 번아웃 탐지의 AUC를 보고한 동료 심사 연구는 찾지 못했으므로, 이번 정리의 모든 정확도 수치는 번아웃 자체가 아니라 스트레스, 피로 또는 우울증에 관한 것이다. 두 Tani 외 연구는 음성 분석 시스템 공급업체인 ES Japan이 자금을 지원했고 회사 직원이 공저자로 참여했으며, 2025년 예측 모델은 자체 코호트 내에서만 검증되었다. Kim 외 연구는 음향 특징이 아니라 전사된 단어를 분석했다. NIJ 수치는 기분이 아니라 기만을 측정한 것이며 2007년 자료다. 출처 자체의 내부 불일치: Altundas Hatman과 Torun은 남성의 성대결절 비율을 본문에서는 62.4%, 표 4에서는 68.4%로 제시한다. 피로 연구의 초록(단일 음성 94%, 긴 발화 81%)은 결과 절(모음 88%~94%, 분절 발화 76%)과 완전히 일치하지 않는다. Jack 외는 정확도 75% 초과 연구를 11건 중 8건과 11건 중 7건으로 모두 기재했으므로 해당 수치는 사용하지 않았다. Nair 외 리뷰는 2021년에 온라인으로 게재되고 2024년에 Journal of Voice에 인쇄되었다. AI법의 금지 조문은 관보 원문을 옮겨 실은 artificialintelligenceact.eu에서 인용했다.
마지막 업데이트: 2026년 10월 27일. 저희는 이 정리를 분기마다 업데이트하며, 다음 갱신은 직장 정신 건강을 위한 음성 바이오마커에 관한 다음 체계적 문헌고찰이 PubMed Central에 색인될 때 이루어질 것으로 예상한다.