머신러닝을 활용한 청소년 내기행동의 수준별 예측요인 연구

A Study on Predictors for Each Level of Youth Betting Behavior using Machine Learning

연구목적: 본 연구는 청소년 내기행동에 영향을 미치는 다양한 예측요인 중에서 청소년 내기행동의 수준별 예측요인의 상대적 중요도를 확인하는 데 목적이 있다. 연구방법: 전국의 중․고등학교에 재학 중인 청소년 571명을 대상으로 자료를 수집하고 내기행동을 수준별로 분류하였다. R version 3.6.1 프로그램을 이용하여 머신러닝 알고리즘의 성능을 평가한 후, 가장 성능이 우수한 머신러닝 알고리즘을 이용하여 청소년 내기행동의 수준별 예측변수의 상대적 중요도를 분석하였다. 연구결과: 첫째, 청소년 내기행동을 예측하는 머신러닝 알고리즘의 성능은 비문제 집단 vs 문제 집단을 분별하는 경우, 랜덤 포레스트 모델이 가장 탁월하였으며, 비문제 집단 vs 위험 집단과 위험 집단 vs 문제 집단을 분별하는 경우에는 그래디언트-부스팅 모델이 우수하였다. 둘째, 내기행동의 수준별 집단(비문제 집단, 위험 집단, 문제 집단) 중에서, 비문제 집단 vs 문제 집단, 비문제 집단 vs 위험 집단을 분별하는 가장 중요한 예측변수는 ‘내기행동 접근성’이었으며, 위험 집단 vs 문제 집단을 분별하는 가장 중요한 예측변수는 ‘내기행동 기대 중 과몰입’으로 나타났다. 결론: 본 연구는 국내에서 처음으로 청소년 내기행동의 다양한 예측변수를 동시에 투입하여 내기행동을 수준별로 가장 잘 예측하는 변수를 확인함으로써, 청소년 내기행동의 수준별 맞춤형 개입을 위한 기초자료를 제공하는 데 의의가 있다.

Objective: The purpose of this study is to confirm the relative importance of predictive factors for each level of adolescent betting behavior among various predictive factors affecting adolescent betting behavior. Methods: Data were collected from 571 adolescents enrolled in middle and high schools across the country, and betting behaviors were classified by level. After evaluating the performance of the machine learning algorithm using the R version 3.6.1 program, the relative importance of predictors for each level of youth betting behavior was analyzed using the optimal machine learning algorithm. Results: First, among the performance of the machine learning algorithm for predicting youth betting behavior, the random forest model showed optimal superiority when discriminating the non-problem vs the problem group. The gradient-boosting model was good at distinguishing between non-problem vs risk group and risk vs problem group. Second, among groups by level of betting behavior (non-problem group, risk group, problem group), the most important predictor variable to distinguish non-problem vs problem group, non-problem vs risk group was ‘accessibility to betting behavior’. The most important predictor variable to discriminate the risk vs the problem group was ‘over-immersion in expectation of betting behavior’. Conclusion: This study is meaningful in providing basic data for customized intervention strategies for each level of youth betting behavior by identifying the variables that best predict betting behavior by level by simultaneously inputting various predictive variables of youth betting behavior for the first time in Korea.