소년원생들의 우울증 예측에 기계학습을 적용한 예비연구

Preliminary Data of Machine-Learning Approach in Prediction of Depression in Juvenile Detention Center

연구목적 : 청소년 범죄에서 정신건강의 문제와 범죄가 관련성이 높다는 것은 잘 알려져 있지만 국내에서는 아동청소년 범죄자들의 정신건강에 관한 연구가 거의 없다. 뿐만 아니라 아동청소년정신건강 영역에서 기계학습을 적용한 연구는 아직 초기단계이다. 본 예비연구에 서는 여자청소년 재소자들에서 정신건강 문제 중 우울증의 예측에 기계학습 알고리즘을 적용하여 적합한 지를 알아보고자 한다. 방 법 : 대상자는 청주소년원에 재소중인 87명의 여자청소년을 대상으로 하였다. 대상자들에게 설문지 패키지 (인구학적 정보, 범죄관련 정보, 자기보고척도 설문지(아동기부정적경험 설문지, 벡우울척도)를 배부하여 정보를 수집하였다. 기계학습 기법을 이용하여 수집된 재소자들의 기본 정보를 바탕으로 우울증을 예측할 수 있는 6개의 모델(Logistic regression, Random forest, Supportive vector machine, Decision tree, Nearest neighbor, Adaboost)을 생성하여 각 모델간의 예측 성능을 비교해 보았다. 결 과 : 대상자를 벡우울척도(절단점 13)로 군을 분류한 결과 정상군 18명(21%)과 우울증군 69명(79%)이었다. 6개 모델의 우울증 예측 정확도는 Logistic regression 81.8%, Random forest 81.8%, Supportive vector machine 68.18%, Decision tree 72.7%, Nearest neighbor 77.3%, Adaboost 63.6%였다. 그중에서 Random forest 모델의 AUC score는 0.75로 다른 모델들과 비교하여 가장 높았다. 결 론 : 본 연구는 재소청소년의 정신건강에 중점을 두어 현황을 파악하고,우울증의 예측에 기계학습 기법을 적용을 하여 높은 정확도를 확인하였다는 점에서 의의가 있다. 또한 취약계층의 정신건강 영역에 기계학습 기법을 적용하여 관리 및 감시에 적용 가능성에 대한 근거를 제공하였다.

Objectives : It is well known that mental health problems and crime are highly related to youth crime, but there is little research on the mental health of young offenders in Korea. Furthermore, research on the application of machine learning in the mental health of children and adolescents is still novel. This preliminary study aims to investigate whether it is appropriate to apply machine learning algorithms to predict depression among female adolescent inmates. Methods : The subjects were 87 young females in Cheongju Juvenile Center. A questionnaire was distributed to the subjects to gather their demographic information and crime-related information, as well as their adverse childhood experiences and Beck depression inventory scores using self-reported scale questionnaires. Based on the collected information, six models (logistic regression, random forest, supportive vector machine, decision tree, nearest neighbor, Adaboost) that can predict depression were created to compare the predictive performance between models using machine learning techniques. Results : Results showed that 29 victims (25.7%) met the criteria of PTSD and 19 victims (16.8%) met the rigid criteria of PTSD. But, according to the subscales, 41 victims (36.3%) were diagnosed as PTSD. Victims with PTSD had more serious depression, anxiety, sleep disturbance, anger, social withdrawal and life stresses. Conclusion : This study identified the current mental health status of female inmates with high accuracy by applying machine learn-ing techniques to predict depression. The applicability of machine learning techniques to the management and surveillance of mental health in vulnerable groups was also highlighted.