전수 E2E 순회·소유자 결정 6건 구현·디자인 감사 반영

- 전수 순회: IA 전 라우트 412개 기능 인벤토리를 체크리스트 백로그로 관리
  (docs/ops/e2e-full-sweep-2026-07-27.md), 신규 full-sweep 스펙 10파일 추가.
  RED→GREEN으로 결함 12건 수정: 관리자 무한 렌더 프리즈(TanStack autoReset
  루프), 복수 코호트 저장 유실, 페르소나 보관 503(SQL 컬럼 모호성), PII 과잉
  마스킹, /admin/ai watchdog 오탐 오버레이, 모바일 겹침 2건, 설정 스크롤
  스파이, 온보딩 전화번호 무검증, 리뷰 조사·난도 라벨, pending 피드백 등.
- 소유자 결정 구현: 설정 아바타 변경, 동의 철회·재동의 전체 흐름, 신규
  학습자 기초 우선 추천, 학생 분석 테이블 가상화(@tanstack/react-virtual),
  저작 모드 죽은 레일 정리, 감정 밸런스 타임라인 차트(deep turn_valence +
  결정론 파생 폴백).
- 디자인 감사(142차): 라이트 팔레트 AA 대비, 다크 토큰 별칭 통일, 미정의
  CSS 변수 정리, 한글 keep-all 전역화, 탭 타깃 24px, LCP preconnect.
- 검증: npm run e2e 병렬 432 수집 GREEN + 직렬 49/49 exit 0, 백엔드 pytest
  421, gateway 29, typecheck/build/design-ssot/dead-code/중복 게이트 통과,
  layout-visual-gate 15/15, session-layout 8/8. 상세는 SSOT 대시보드
  142~144차 노트.

apps/api/app/services/evaluator.py

@@ -264,6 +264,13 @@ class TechniqueDistribution(BaseModel):
     underused: list[str] = Field(default_factory=list)  # 과소/미사용 군집
 
 
+class TurnValencePoint(BaseModel):
+    """deep-loop 턴별 내담자 정서가 — 축어록 seq(1-based) 지목 + v(−1~+1)."""
+
+    seq: int  # 마스킹 축어록의 1-based 턴 번호
+    v: float  # 정서가(−1 매우 부정 ~ +1 매우 긍정)
+
+
 class SessionEvaluation(BaseModel):
     """deep-loop 회기말/단계전환 정밀 평가 결과.
 
@@ -282,6 +289,9 @@ class SessionEvaluation(BaseModel):
     supervisor_rationale: Optional[str] = None  # CommentKind.RATIONALE 종합
     supervisor_critique: Optional[str] = None  # CommentKind.CRITIQUE 종합
     alternative_utterances: list[str] = Field(default_factory=list)  # 대안 발화 제시
+    turn_valence: list[TurnValencePoint] = Field(
+        default_factory=list
+    )  # 내담자 발화별 정서가(리뷰 감정 밸런스 차트 원천)
     theory_mode: Optional[str] = None
     error: Optional[str] = None
 
@@ -378,6 +388,19 @@ def _deep_schema() -> dict[str, Any]:
             "supervisor_rationale": {"type": "string"},
             "supervisor_critique": {"type": "string"},
             "alternative_utterances": {"type": "array", "items": {"type": "string"}},
+            # 선택 필드 — 내담자 발화별 정서가(리뷰 감정 밸런스 차트 원천).
+            "turn_valence": {
+                "type": "array",
+                "items": {
+                    "type": "object",
+                    "additionalProperties": False,
+                    "properties": {
+                        "seq": {"type": "integer", "minimum": 1},
+                        "v": {"type": "number", "minimum": -1, "maximum": 1},
+                    },
+                    "required": ["seq", "v"],
+                },
+            },
         },
         "required": ["strengths", "improvements"],
     }
@@ -583,7 +606,10 @@ def build_deep_messages(
                 "- intent_deviations: '의도와 다른 부분' 전부 {dimension, expected, actual, severity}로.\n"
                 "- supervisor_rationale: 회기 전반에서 적절했던 개입의 근거(rationale) 종합.\n"
                 "- supervisor_critique: 과도/부족/평가적 시각 등 주의점(critique) 종합.\n"
-                "- alternative_utterances: 핵심 장면에 더 나은 대안 상담자 발화 1~3개."
+                "- alternative_utterances: 핵심 장면에 더 나은 대안 상담자 발화 1~3개.\n"
+                "- turn_valence: *내담자* 발화 각각의 정서가를 {seq, v}로 산출. seq 는 축어록의 "
+                "1-based 턴 번호, v 는 −1(매우 부정)~+1(매우 긍정). 근거 없는 극단값을 피하고 "
+                "불확실하면 0 근처로."
             ),
         ]
     )
@@ -854,6 +880,18 @@ async def evaluate_session(
         dev = _parse_intent_deviation(d)
         if dev is not None:
             base.intent_deviations.append(dev)
+    for item in payload.get("turn_valence") or []:
+        if not isinstance(item, dict):
+            continue
+        seq = item.get("seq")
+        v = item.get("v")
+        if not isinstance(seq, int) or isinstance(seq, bool) or seq < 1:
+            continue
+        if not isinstance(v, (int, float)) or isinstance(v, bool):
+            continue
+        base.turn_valence.append(
+            TurnValencePoint(seq=seq, v=max(-1.0, min(1.0, float(v))))
+        )
     _evaluator_cache_put(cache_key, base.model_dump())
     return base
 
@@ -888,6 +926,7 @@ __all__ = [
     "ClientStateRead",
     "TurnEvaluation",
     "TechniqueDistribution",
+    "TurnValencePoint",
     "SessionEvaluation",
     "aggregate_distribution",
     "evaluate_turn",