초기 청소년의 행복감 변화 궤적에 대한 예측요인 탐색: 잠재계층성장분석과 머신러닝을 활용하여 = Exploring Predictors of Happiness Trajectories in Early Adolescence: Using Latent Class Growth Analysis and Machine Learning

국문 초록 (Abstract)

본 연구는 초기 청소년의 전반적 행복감 변화 궤적의 하위 유형을 규명하고, 머신러닝을 활용하여 행복감 궤적 유형을 예측하는 주요 변인을 탐색하는 것을 목적으로 하였다. 한국아동패널조사(KCPS) 12-15차 자료(초5-중2)를 활용하여 잠재계층성장분석을 실시하여 행복감 변화 궤적 유형을 도출하였다. 기저선 시점의 개인, 가족, 또래, 환경 및 미래인식 관련 변인을 투입하여 행복감 궤적 집단을 예측하는 머신러닝 모델들을 구축·비교하였으며, 최적 모델에 대해서 SHAP 분석을 실시하였다. 초기 청소년기의 행복감 변화 궤적은 고수준-완만감소형, 중간수준-평균감소형, 저수준-빠른감소형의 세집단으로 분류되었다. 머신러닝 모델 중에서는 랜덤포레스트가 가장 안정적인 예측성능을 보였으며, 상대적 중요도 분석 결과, 다차원적 요인이 행복감 궤적 분류에 기여하는 것으로 나타났다. 본 연구는 초기 청소년기의 전반적 행복감 변화가 서로 다른 수준과 감소속도를 지닌 잠재집단으로 구분됨을 확인하였으며, 머신러닝 모델을 통해 개인, 가족, 또래, 환경 및 미래 관련 변인이 복합적으로 작용하는 행복감 변화 궤적을 유연하게 예측할 수 있음을 보여주었다.

다국어 초록 (Multilingual Abstract)

This study aimed to identify latent subtypes of happiness trajectories during early adolescence and to explore key predictors of trajectory membership using machine learning approaches. Data were drawn from Waves 12 to 15 of the Panel Study on Korean Children (PSKC), corresponding to grades 5 through 8. Latent Class Growth Analysis (LCGA) was conducted to identify distinct trajectories of happiness over time. Baseline individual, family, peer, environmental, and future-oriented variables were then used to develop machine learning models predicting trajectory membership. Multiple models were compared, and SHAP (SHapley Additive exPlanations) analysis was applied to the best-performing model to examine the relative importance of predictors. Three distinct happiness trajectories were identified: a high-level slow-decline group, a mid-level average-decline group, and a low-level rapid-decline group. Among the machine learning models, the Random Forest demonstrated the most stable predictive performance. SHAP analysis indicated that multidimensional factors contributed to classifying different happiness trajectories. The findings suggest that changes in overall happiness during early adolescence can be characterized by distinct latent trajectories with different initial levels and rates of decline. Furthermore, the use of machine learning models allowed for a more flexible prediction of happiness trajectories by accounting for the combined influence of individual, family, peer, environmental, and expectations and perceptions about the future.