머신러닝을 활용한 서울지역 아동학대 우발지역 예측 = Prediction of Child Abuse Incidence Area in Seoul through the Practice of Machine Learning

국문 초록 (Abstract)

· 연구 주제: 머신러닝 기법을 활용하여 서울지역 아동학대 우발지역을 선제적으로 예측하는 모형을 구축하여 소중한 아동의 인권을 보호하기 위해 우리 사회가 나아가야 할 방향을 제시한 연구이다.
· 연구 배경: 2013년에 울주와 칠곡에서 발생한 아동학대 사망 사건을 계기로 2014년에 ‘아동학대 예방 및 피해아동 조기발견･보호 종합대책’ 발표 및 ‘아동학대범죄의 처벌 등에 관한 특례법’이 제정되었다. 관련 법이 제정된 후 아동학대는 중대한 ‘범죄’라는 인식이 확산되었다. 하지만, 아동학대는 여전히 발생하고 있으며, 정부와 지자체의 노력에도 불구하고, 아동학대 신고 건수는 급격히 증가하고 있다. 아동학대의 악순환을 끊기 위해 이론 탐색과 함께 실질적인 해결방안을 제공할 수 있는 연구가 필요하다.
· 선행연구와의 차이점: 기존 문헌들이 주로 아동학대 사례를 분석하여 아동학대 유발인자들을 사후에 검증하는 탐색적 연구방법에 의존했다면, 본 연구는 서울시 자치구 별 데이터를 수집하여 인공지능의 한 영역인 머신러닝 기법을 활용하여 보다 정교하게 아동학대 우발지역을 예측하였다.
· 연구방법: 본 연구에서는 데이터를 수집하기 위해 웹 크롤링 기법을 활용하였다. 수집한 데이터는 전처리 과정을 거쳐 머신러닝을 활용한 추정 모델링을 기반으로 연구를 진행하였다. 추정 모델링으로는 random forest, neural network, support vector machine, AdaBoost 등을 사용했으며, 이 중 제일 정확도가 높은 예측 모형을 선정하여 결과를 도출하였다.
· 연구결과: 데이터 분석 결과, AdaBoost의 AUC 값이 0.829를 나타내 최고의 모형으로 확인되었다. 또한, 관할 지역 내 공원 수가 아동학대 우발지역 예측에 가장 높은 영향력을 나타내는 것으로 나타났으며, 요보호아동 발생 수, 일반주택 주차장 수 순임을 확인할 수 있었다. 이를 통해 인구 밀집도와 경제적/사회적 복지시설의 배치에 따라 아동학대 발생이 영향을 받을 수 있음을 추론할 수 있었다.
· 공헌점 및 기대효과: 국내·외에서 단 한 번도 시도된 적 없는 머신러닝 기법을 활용하여 아동학대 우발지역의 예측을 시도하여 사회학, 사회복지학, 행정학, 지역개발학 분야에 있어서의 연구 방법론의 확장에 기여하였다. 또한, 그 동안 선행연구에서 전혀 고려할 수 없었던 변수들이 아동학대 발생에 중요한 영향을 미침을 확인할 수 있었다. 이를 근거로 중앙정부 및 지자체는 제한된 자원(예산)을 효율적으로 집행할 수 있을 것이며, 범죄가 발생할 가능성이 높은 지역을 선제적으로 예측함으로써 불행한 사건을 미연에 방지할 것으로 기대된다.

참고문헌 (Reference)

• 1 김동현, "효율적인 기계학습을 위한 데이터 전처리" 27 (27): 49-50, 2019
• 2 박언하, "한국의 아동학대예방 정책의 개선방안: 외국의 아동학대예방 정책 분석을 중심으로" 한국복지상담교육학회 7 (7): 331-354, 2018
• 3 김윤아 ; 한민경, "토픽모델링을 통한 가정 내 아동학대범죄 유형화" 한국피해자학회 30 (30): 67-92, 2022
• 4 김광영 ; 이원구 ; 이민호 ; 윤화묵 ; 신성호, "웹 자원 아카이빙을 위한 웹 크롤러 연구 개발" 한국콘텐츠학회 11 (11): 9-16, 2011
• 5 이슬, "어린이집에서의 아동학대 예방 및 대책에 관한 연구" 순천향대학교 2019
• 6 이정념, "아동학대의 유형에 대한 새로운 정의" 한국법학원 166 : 209-233, 2018
• 7 노연상, "아동학대범죄의 현황과 대책" 인문사회과학연구소 30 (30): 132-151, 2022
• 8 이봉주 ; 김세원, "아동학대가 아동·청소년 발달에 미치는 영향에 대한 종단적 연구" 한국아동권리학회 18 (18): 163-195, 2014
• 9 배화옥 ; 강지영, "아동학대 재발생 특성과 관련요인 연구 －일회재학대와 반복재학대를 중심으로－" 한국아동복지학회 69 (69): 145-171, 2020
• 10 이유석, "아동학대 예방 공익 광고의 메시지 프레이밍과 메시지 지향성이 소비자 태도와 행동의도에 미치는 영향에 관한 연구" 한양대학교 2019
• 11 김세원 ; 이정은 ; 정익중 ; 장화정, "아동학대 사망사례의 현황과 예측요인" 한국아동복지학회 (46) : 25-56, 2014
• 12 이주희, "아동 및 부모특성이 아동학대에 미치는 영향에 관한 연구" 4 (4): 113-123, 2000
• 13 김선희, "성매매방지정책의 변동에 관한 연구" 2007 (2007): 381-406, 2007
• 14 조용준, "빅데이터 SPSS 최신 분석기법: 신경망, SVM, 랜덤포레스트 편" 한나래아카데미 2018
• 15 이정숙, "부모의 알콜 남용으로 인한 가정폭력 피해 아동의 경험 -그림과 스토리텔링을 이용한 질적 연구-" 한국범죄심리학회 15 (15): 97-112, 2019
• 16 이인지 ; 윤현식, "머신러닝을 활용한 지역축제 방문객 수 예측모형 개발" 한국정보시스템학회 29 (29): 35-52, 2020
• 17 김영식 ; 김훈호, "머신러닝 기법을 활용한 사교육 참여 예측 모형 탐색" 한국교육재정경제학회 28 (28): 29-52, 2019
• 18 김혜진 ; 이명구, "마케팅 분야의 머신러닝 연구 동향 분석" 한국마케팅학회 36 (36): 1-25, 2021
• 19 유진은, "랜덤 포레스트: 의사결정나무의 대안으로서의 데이터 마이닝 기법" 한국교육평가학회 28 (28): 427-448, 2015
• 20 이무선, "노인의 인권강화를 위한 노인학대 관련 법률의 합리화 방안" 인문사회과학연구소 28 (28): 236-259, 2020
• 21 김성진 ; 유은정 ; 정민규 ; 김재경 ; 안현철, "감정예측모형의 성과개선을 위한 Support Vector Regression 응용" 한국지능정보시스템학회 18 (18): 185-202, 2012
• 22 정선영, "가구소득 수준이 아동이 인식한 방임 및 학대 수준에 미치는 영향" 한국아동복지학회 69 (69): 121-146, 2020
• 23 Vapnik, V. N., "The Nature of Statistical Learning Theory" Springer-Verlag 1995
• 24 Choi, W. Y., "Support vector machines for robust speaker v erification" 262-267, 2002
• 25 Samuel, A. L., "Some Studies in Machine LearningUsing the Game of Checkers" 3 (3): 45-62, 1959
• 26 브레트 란츠, "R을 활용한 머신러닝: R로 머신러닝 알고리즘 작성, 데이터 준비, 데이터 예측 기법 깊이 파기" 에이콘출판주식회사 2020
• 27 이정진, "R, SAS, MS-SQL을 활용한 데이터마이닝" 자유아카데미 2011
• 28 Leung, K. H., "Modelling nea r-real-time order arrival demand in e-commerce context : A machine learning predicti ve methodology" 120 (120): 1149-1174, 2020
• 29 Mitchell, T., "Machine Learning" McGraw-Hill 1997
• 30 Kellehe, J. D., "Fundamental of machine learning for predictive data analytics: algorithms, worked examples, and case studies" MIT press 2015
• 31 Fawcett, T., "An Introduction to ROC Analysis" 27 (27): 861-874, 2006
• 32 Kingdon, J. W., "Agendas, alternatives and public policies" Longman 2003
• 33 Friedman, J., "Additive Logistic Regression : A Statistic al View of Boosting" 28 (28): 337-374, 2000