저서

사회복지사를 위한 파이썬 프로그래밍
A Hands On Guide to Natural Language Processing and Large Language Models in Research and Practice
Nari Yoo. Routledge와 출간 계약 체결, Skills for Social Work Practice 시리즈.

사회복지 기관에서는 임상 기록 작성과 사례 검토에 AI 도구를 도입하기 시작하였으며, 사회복지 연구자들은 자연어 처리(NLP)와 거대 언어 모델(LLM)을 활용하여 사례 기록과 공개 의견을 분석하고 있습니다. 이 교재는 사회복지 전공 학생, 연구자, 실무자가 Python으로 이러한 방법을 활용할 수 있도록 구성되었으며, 프로그래밍 배경지식을 전제하지 않습니다. 초반부에서는 Python과 LLM 이전의 NLP 방법을 다룹니다. 프로그램이 텍스트를 처리하는 방식을 이해하여야 LLM과 코딩 에이전트가 산출한 결과를 검증할 수 있기 때문입니다. 각 장은 Jupyter 노트북으로 제공되는 사회복지 사례 하나를 중심으로 구성되며, 개인정보 보호와 전문직 윤리는 각 방법을 소개하기에 앞서 다룹니다. 이 책은 사회복지학 석사 및 박사과정 수업과, 소속 기관에서 AI 도구 도입을 검토하고 있는 실무자를 위해 집필되었습니다.

DictionarymethodClassicalclassifierFine-tunedencoder (BERT)Local open-weight modelCommercialLLM via APIClient text can stay in your organizationSent to a vendor(data center)Lower cost, easier to inspectMore flexible, higher cost per record
Lower cost, easier to inspectDictionary methodClient text can stay in your organizationClassical classifierClient text can stay in your organizationFine-tuned encoder (BERT)Client text can stay in your organizationLocal open-weight modelClient text can stay in your organizationCommercial LLM via APISent to a vendor (data center)More flexible, higher cost per record

목차

Part IFoundations1 Records as data2 Python basics3 Collecting text dataPart IIEthics andpre-LLM NLP4 Ethics and privacy5 Classic NLP6 Evaluation, fairnessPart IIILarge languagemodels7 Inside LLMs8 Prompts and APIs9 RAG and tool usePart IVApplications andtool building10 Applications11 Building toolsPart VCapstone12 Capstone project
제1부. 기초
1AI 시대, 데이터로서의 사회복지 기록

이 장은 Mary Richmond의 사례 기록에서 전자 건강 기록과 오늘날 기관들이 검토하는 AI 문서화 도구에 이르기까지 사회복지 기록이 어떻게 발전해 왔는지 다룹니다. LLM 이전의 방법과 현재의 LLM 방법을 나누는 이 책의 구분을 소개하고, 이후 장들에서 반복되는 질문, 곧 어떤 과업에 어떤 방법이 필요한가를 제시합니다. 장의 마지막에는 첫 번째 Jupyter 노트북이 나옵니다.

2사례 기록과 사회복지 텍스트로 배우는 Python 기초

이 장은 Jupyter 노트북에서 사례 노트를 사용해 변수와 자료형, 많은 기록을 처리하는 반복문, 함수, 파일 처리, 버전 관리를 소개합니다. 또한 AI 코딩 보조 도구로 코드를 작성하고 디버깅하는 방법, 그러한 보조 도구가 만든 코드를 검토하고 테스트하는 방법도 다룹니다.

3사회복지 텍스트 데이터 수집과 정제

이 장은 사례 노트, 개방형 설문 응답, 공개 의견을 불러와 정제하는 방법과, 법적 및 윤리적 한계 안에서 API와 웹 스크레이핑으로 공개 웹 데이터를 수집하는 방법을 다룹니다. 비식별화, 누락되거나 일관되지 않은 기록, 주석 코드북 작성도 함께 다룹니다. 한 가지 연습은 비자발적 내담자에게 “긍정적 감성”이 무엇을 뜻하는지를 누가 결정하는가를 묻습니다.

제2부. 윤리와 LLM 이전의 NLP 방법
4사회복지 AI의 윤리, 개인정보 보호, 데이터 보안

이 장은 NASW Code of Ethics를 코드를 작성하는 사람이 내려야 하는 결정으로 풀어내며, BASW, Ontario College of Social Workers and Social Service Workers, IFSW의 지침을 함께 참고합니다. 비식별화, 원주민 데이터 주권, 공급업체 약관 검토, 그리고 HIPAA와 EU, 영국, 캐나다, 호주의 유사한 법률을 다룹니다. 이 장에서는 윤리 점검표와 데이터 취급 기록이 만들어지며, 이후 모든 노트북에 적용됩니다.

5토픽 모델링, 감성 분석, 고전적 NLP

이 장은 임상 약어를 처리하는 전처리, 사전, 단어 주머니(bag of words)와 TF-IDF, 내담자 피드백에 대한 토픽 모델, 공개 의견의 감성 분석, 사례 노트에 대한 개체명 인식 등 LLM 이전의 표준적인 방법을 제시합니다. 각 결과는 원문 문서와 대조해 점검합니다. 이러한 방법은 LLM보다 비용이 낮고 점검하기 쉬운 경우가 많으며, 8장의 비교를 준비하게 해 줍니다.

6모델 평가, 공정성, 설명 가능한 AI

레이블이 붙은 사회복지 텍스트에서 분류기를 정확도, 정밀도, 재현율, F1, 하위집단 분석으로 평가합니다. 전체 정확도가 95%이면서 소규모 소외 집단에서는 정확도가 0%인 모델을 사례로 보여 줍니다. 이 장은 공정성에 대한 상충하는 정의도 논의하며, 특성 가중치, SHAP, LIME으로 모델이 왜 그런 예측을 했는지 살펴봅니다.

제3부. 거대 언어 모델
7거대 언어 모델과 트랜스포머의 내부

이 장은 내담자 텍스트를 상용 모델에 보내는 문제, 동의, 환경 비용, 소수 공급업체에 대한 의존 등 LLM에 특유한 윤리적 질문으로 시작합니다. 도식을 통해 트랜스포머를 설명하고, BERT 같은 인코더 모델과 생성 모델을 구분하며, 긴 컨텍스트 창, 추론 모델, 소형 오픈 웨이트 모델을 다룹니다. 노트북에 불러온 소형 오픈 웨이트 모델로 토큰, 컨텍스트 한계, 출력을 살펴봅니다.

8프롬프트 엔지니어링, API, 방법 선택

이 장은 위험도가 높은 결정에서의 자동화 편향과 사람의 감독으로 시작합니다. 제로샷 및 퓨샷 프롬프트와 중간 추론 단계를 요청하는 프롬프트로 Python에서 LLM을 호출하는 방법을 다룹니다. 수천 건의 기록을 일괄 처리하는 방법을 구조화된 출력, 모든 프롬프트와 그 비용의 기록과 함께 다룹니다. 이어서 같은 텍스트를 사전, 고전적 분류기, 미세조정된 인코더, 로컬 오픈 웨이트 모델, 상용 LLM으로 코딩하고 정확도, 비용, 투명성, 개인정보 보호 측면에서 비교합니다.

9RAG와 도구 사용으로 LLM을 문서에 연결하기

이 장은 모델의 답변을 기관 문서에 근거하게 하는 방법을 다루고, 문서를 긴 컨텍스트 창에 넣는 방식, 검색 증강 생성, 모델이 스스로 검색하도록 허용하는 방식을 비교합니다. 이어서 모델이 호출해 데이터베이스를 조회하거나 양식을 작성할 수 있는 함수를 소개합니다. 모든 답변은 출처와 대조해 확인하며, LLM이 어떤 기록을 읽어도 되는지와 어떤 작업에 사람의 승인이 필요한지에 주의를 기울입니다.

제4부. 응용과 도구 제작
10사회복지 실천과 연구를 위한 LLM 활용

이 장은 기관과 연구자들이 도입하고 있는 유형의 프로젝트를 제시합니다. 임상 문서화 지원, 자원 안내 도우미, 입법 증언 분석, 개방형 설문 응답의 대규모 코딩, 멀티모달 모델을 이용한 스캔 문서와 음성 분석, 정책 및 서비스 문서로 구축한 자원 허브 등입니다. 각 프로젝트에는 코드, 사람의 판단에 대한 평가, 도입 전에 검토해야 할 위험이 함께 제시됩니다.

11AI 코딩 에이전트로 사회복지 도구 만들기

이 장은 과업을 설명하고, 에이전트의 계획을 승인하고, 코드를 실행하고, 결과를 확인하는 방식으로 Claude Code와 Codex를 사용해 기관이나 연구를 위한 도구를 만드는 방법을 다룹니다. 프로젝트는 AI 인터뷰어, 대화형 대시보드, 프로젝트 웹사이트입니다. 또한 디지털 접근성이 제한된 이용자와 직원을 위한 인터페이스 설계와, 도구를 만든 사람이 떠난 뒤에 도구에 필요한 문서화와 공동 관리도 다룹니다.

제5부. 종합 프로젝트
12AI 프로젝트의 평가, 배포, 유지 관리

종합 프로젝트는 연구 질문이나 기관의 업무 흐름에서 출발하여, 8장의 비교를 이용해 방법을 선택하고, 이를 구축하여 사람의 코딩에 비추어 평가하고, 데이터 취급을 문서화하고, 사용 여부를 결정하고, 인수인계를 계획하는 완결된 프로젝트입니다. 이 장은 내담자 및 지역사회와 함께하는 참여형 검토와, 시스템이 해를 끼쳤을 때의 책무도 다룹니다.

일곱 개의 부록은 Python 빠른 참조, API 활용, 사회복지 텍스트를 위한 데이터 정제, 평가 지표, 모델 선택, 개인정보 보호 및 보안 점검표, 용어집을 다룹니다.

부속 자료

  • 공개 GitHub 저장소에 코드 및 샘플 데이터셋(합성 사례 기록 및 공공 정책 문서) 제공
  • 각 장마다 모델 이름, 가격, API 문법 변화에 맞춰 업데이트되는 Python Jupyter 노트북
  • 실라버스, 코딩 과제 및 해답 노트북, 채점 기준표(루브릭), 시험 문제 은행이 포함된 교수자용 자료