데이터 기반 학교폭력 예측을 위한 머신러닝 모델 제안 = A Machine Learning Model for Data-Driven Prediction of School Violence

국문 초록 (Abstract)

목적 본 연구는 학교폭력 발생 가능성을 예측하기 위해 관련 데이터 속성 정의 및 최적의 예측 모델을 개발하고, 학교폭력 예측에기여하는 속성을 분석하여, 이후 데이터 기반 학교폭력 예방 정책 연구의 시사점을 제공하는 것을 목적으로 한다.
방법 선행연구 분석을 통해 학교폭력 예측과 관련된 데이터 속성을 정의하였다. 정의한 데이터 속성을 바탕으로 서울시 초⋅중등학생 1,274명의 데이터를 수집하여 결측치 제거, 속성 선택 및 변환 등 속성 공학 기법을 적용하고, 이를 기반으로 총 4개의 데이터셋을 구성하였다. 로지스틱 회귀, 랜덤 포레스트, 그래디언트 부스팅 등 다양한 머신러닝 모델을 활용하여 분석하였으며, AUC-ROC 를 주요 성능 지표로 설정하고 그리드 서치를 통해 하이퍼파라미터를 최적화하였다.
결과 연구 결과, 모델 최적화 과정을 통해 개발된 모델은 기존 대비 최대 13.24%의 성능 향상을 보였으며, 그래디언트 부스팅 모델이 가장 우수한 성능을 나타냈다. SHAP을 이용하여 속성 기여도 분석을 수행한 결과, 공격 성향, 충동성, 부모와의 관계, 학교생활관련 대화 등의 속성이 학교폭력 예측에 주요하게 기여하는 속성으로 도출되었다.
결론 본 연구를 통해 개발된 머신러닝 기반 학교폭력 예측 모델은 학교폭력 가해 가능성을 정량적으로 추정할 수 있다. 또한, 본연구 결과를 바탕으로 학교폭력 예측에 기여하는 속성들을 고려한 학교폭력 발생 전 조기 개입 및 맞춤형 예방 교육의 방향을 제시할수 있다. 본 연구는 데이터 기반 학교폭력 예방 정책 수립 및 현장 적용을 위한 기초 자료를 제공한다는 점에서 의의가 있다.

다국어 초록 (Multilingual Abstract)

Objectives This study aims to define relevant data attributes and develop an optimal predictive model to forecast the likelihood of school violence. Furthermore, it seeks to analyze the attributes contributing to school violence prediction and provide implications for future data-driven school violence prevention policy research.
Methods Based on a review of prior studies, data attributes related to school violence prediction were defined.
Using these defined attributes, data were collected from 1,274 elementary and secondary school students in Seoul. Attribute engineering techniques—such as handling missing values, feature selection, and trans formation—were applied, resulting in four distinct datasets. Various machine learning models, including logistic regression, random forest, and gradient boosting, were employed. The AUC-ROC was used as the primary per formance metric, and hyperparameters were optimized via grid search.
Results The optimized models developed through this research demonstrated up to a 13.24% improvement in performance compared to baseline models, with the gradient boosting model achieving the best performance.
SHAP analysis revealed that aggressiveness, impulsivity, parent-child relationships, and school-related con versations were key attributes contributing to the prediction of school violence.
Conclusions The machine learning-based prediction model developed in this study enables quantitative estima tion of the likelihood of perpetrating school violence. The findings also offer direction for early intervention and customized preventive education by considering key contributing attributes. This research provides a foundational basis for establishing and implementing data-driven school violence prevention policies