Informatization Policy (정보화정책)

National Information Society Agency (한국지능정보사회진흥원)
권호 표지
DOI QR코드

DOI QR Code

Child Maltreatment Factors and Predictive Model Development Using a Mixed Method Approach

아동 학대 요인 파악 및 예측 모델 개발: 혼합 방법론적 접근

  • Received : 2025.01.24
  • Accepted : 2025.02.26
  • Published : 2025.03.31
Download PDF
⟨ Previous Next ⟩

Abstract

To effectively address child maltreatment, this study aims to identify risk factors through multi-faceted theoretical analysis and develop a predictive model for the probability of suspected abuse. Specifically, we derived child maltreatment factors based on ecological systems theory and routine activity theory, conducted econometric analysis, and subsequently developed a machine learning prediction model. For this purpose, we utilized data from 1,903 Korean children from the Korea Children and Youth Panel Survey(KCYPS) spanning from 2014 to 2017. The linear probability regression analysis revealed that increased levels of child depression, ego-resilience, behavioral control, and mobile phone dependency heightened the likelihood of experiencing abuse. Conversely, higher levels of self-esteem, life satisfaction, and positive parental attitudes were associated with a decreased probability of abuse. The XGBoost-based machine learning prediction model demonstrated an accuracy of 92.92%. This study implemented an explainable machine learning prediction system by comparing factor exploration results and prediction model outcomes through a mixed methodology. It holds academic significance by incorporating previously unconsidered variables and integrating econometric modeling with predictive modeling. Furthermore, it contributes to the development of a child maltreatment suspicion identification system and offers insights for child welfare policy directions.

아동 학대에 효과적으로 대응하기 위해 본 연구는 다각적인 이론적 분석을 통해 학대 위험 요인을 도출하고, 학대 의심 확률 예측 모델을 개발한다. 구체적으로 생태체계 이론과 일상 행위 이론을 바탕으로 아동 학대 요인을 도출하여 계량 경제 분석을 수행한 후, 머신러닝 예측 모델을 개발하였다. 이를 위해 2014년부터 2017년까지 한국 아동 청소년 패널 조사 데이터에서 1,903명의 한국 아동 데이터를 활용하였다. 선형 확률 회귀분석 결과, 아동의 우울, 자아 탄력성, 행동 통제, 휴대폰 의존도 증가는 학대 경험 가능성을 높이는 것으로 나타났다. 반면, 자아존중감, 삶의 만족도, 부모의 양육 태도는 긍정적일수록 학대 경험 가능성을 낮추는 것으로 나타났다. XGBoost 기반 머신러닝 예측 모델의 경우 92.92% 정확도를 보였다. 본 연구는 혼합 방법론을 통해 요인 탐색 결과와 예측 모델 결과를 비교하여 설명 가능한 머신러닝 예측 시스템을 구현하였으며, 기존에 고려되지 않은 변수를 포함하고, 계량 경제 모형과 예측 모델링을 융합하여 학술적 의의를 가진다. 또한, 학대 의심 아동 판별 시스템 구축에 기여하고, 아동 복지 정책 방향성을 제시할 수 있다.

Keywords

Acknowledgement

이 논문은 2023년 대한민국 교육부와 한국연구재단의 공동연구지원사업의 지원을 받아 수행된 연구임(NRF-2023S1A5A2A03084147).

References

  1. 강애라  ·  남태우 (2023). 빅데이터 분석을 활용한 민식이법 제정 과정에 대한 연구. <정보화정책>, 30권 4호, 89-112. https://doi.org/10.22693/NIAIP.2023.30.4.089
  2. 강지영 (2023). 신체  ·  정서 중복학대의 학대행위 특성과 예측 요인. <한국사회복지조사연구>, 77권, 5-28. https://doi.org/10.17997/SWRY.77.1.1
  3. 곽영숙  ·  홍강의 (1987). 아동학대의 개념과 원인. <정신건강연구>, 6권, 37-52.
  4. 김미정  ·  염동문  ·  이경은 (2013). CART 분석을 활용한 아동학대 예측요인에 관한 연구. <피해자학연구>, 21권 1호, 293-315.
  5. 김형모 (2002). 아동학대 유형별 학대관련 요인에 관한 연구. <한국사회연구>, 5권, 31-52.
  6. 노충래 (2002). 아동 및 가해자의 특성에 따른 아동학대의 심각성 예측요인에 관한 연구. <한국아동복지학>, 13호, 123-154.
  7. 노혜련 (1992). 아동훈육과 아동학대의 구분: 문화적 배경의 영향. <한국사회복지학>, 19권, 113-137.
  8. 박진아  ·  이경숙 (2015). 어린이집 아동학대에 대한 보육교사의 경험, 인식 및 상담 요구도에 관한 연구-포커스 그룹 인터뷰를 중심으로. <유아교육연구>, 35권 3호, 27-54. https://doi.org/10.18023/KJECE.2015.35.3.002
  9. 배성만 (2015). 가족관계, 스마트폰의 중독적 사용 및 정서적 문제간의 인과관계. <정보화정책>, 22권 3호, 36-46. https://doi.org/10.22693/NIAIP.2015.22.3.036
  10. 보건복지부 (2021). <2020 아동학대 주요통계>. 세종: 보건복지부
  11. 보건복지부 (2022). <2021년 아동학대 연차보고서>. 세종: 보건복지부
  12. 성준모  ·  이종하 (2015). 패널회귀분석을 활용한 청소년의 학교 생활 적응 요인 탐색. <사회과학논총>, 17권, 89-112. http://doi.org/10.31625/issdoi.2015.17.89
  13. 신진호 (2019). <친부모에 의한 장애아동학대 유형 및 영향요인의 확인>. 서울대학교 석사학위논문.
  14. 여진주 (2008). 아동학대 발생요인에 대한 생태학적 분석: 경상북도 동부권 아동을 대상으로. <보건사회연구>, 28권 1호, 3-26. http://doi.org/10.15709/hswr.2008.28.1.3
  15. 오미애  ·  최현수  ·  김수현  ·  장준혁  ·  진재현  ·  천미경 (2017). <기계학습 (Machine Learning) 기반 사회보장 빅데이터 분석 및 예측모형 연구>. 세종: 한국보건사회연구원.
  16. 오승환 (2010). 청소년 가출에 대한 생태체계적 영향 요인-가출충동과 가출경험을 중심으로. <청소년복지연구>, 12권 4호, 301-324.
  17. 우수정 (2013). 부모의 학대 및 방임과 학령기 아동의 또래애착이 휴대전화 의존에 미치는 영향. , 51권 6호, 583-590. http://doi.org/10.6115/fer.2013.51.6.583
  18. 은종환  ·  황성수 (2020). 인공지능을 활용한 정책의사결정에 관한 탐색적 연구: 문제구조화 유형으로 살펴 본 성공과 실패 사례 분석. <정보화정책>, 27권 4호, 47-66. http://doi.org/10.22693/NIAIP.2020.27.4.047
  19. 이상균  ·  이봉주  ·  김세원  ·  김현수  ·  유조안  ·  장화정  ·  진미정  ·  박지명 (2017). 아동학대사례의 잠재유형화와 유형별 재학대 위험요인. <한국사회복지연구회>, 48권 3호, 171-208. http://doi.org/10.16999/kasws.2017.48.3.171
  20. 지주예 (2002). <아동학대 가해 부모의 특성에 관한 연구>. 이화여자대학교 석사학위논문.
  21. 최재원  ·  김범수  ·  장지화 (2014). 유아교육 정보시스템 활성화를 위한 결정요소 - 사용자 저항성의 관점으로 -. <정보화정책>, 21권 1호, 77-98. https://doi.org/10.22693/NIAIP.2014.21.1.077
  22. 최현수  ·  오미애  ·  전진아  ·  김용대  ·  김경희  ·  김솔휘  ·  천미경 (2016). <빅데이터를 활용한 e아동행복지원시스템 구축방안 기초연구>. 세종: 한국보건사회연구원.
  23. 표갑수 (1993). 아동학대의 원인론과 대처방안. <한국아동복지학>, 1호, 156-177.
  24. Abdurrahman, G. & Sintawati, M. (2019, October 26-27). Implementation of XGBoost for classification of Parkinson's disease. Journal of Physics: Conference Series, 3rd International Conference on Combinatorics, Graph Theory, and Network Topology, East Java, Indonesia. http://doi.org/10.1088/1742-6596/1538/1/012024
  25. Amrit, C., Paauw, T., Aly, R. & Lavric, M. (2017). Identifying child abuse through text mining and machine learning. Expert systems with applications, 88, 402-418. https://doi.org/10.1016/j.eswa.2017.06.035
  26. Annapragada, A. V., Donaruma-Kwoh, M. M., Annapragada, A. V. & Starosolski, Z. A. (2021). A natural language processing and deep learning approach to identify child abuse from pediatric electronic medical records. PLoS One, 16(2), e0247404. https://doi.org/10.1371/journal.pone.0247404
  27. Arellano, M. & Bond, S. (1991). Some tests of specification for panel data: Monte Carlo evidence and an application to employment equations. The review of economic studies, 58(2), 277-297. https://doi.org/10.2307/2297968
  28. Arik, S. Ö. & Pfister, T. (2021). TabNet: Attentive Interpretable Tabular Learning. Proceedings of the AAAI Conference on Artificial Intelligence, 35(8), 6679-6687. https://doi.org/10.1609/aaai.v35i8.16826
  29. Begle, A. M., Dumas, J. E. & Hanson, R. F. (2010). Predicting child abuse potential: An empirical investigation of two theoretical frameworks. Journal of Clinical Child & Adolescent Psychology, 39(2), 208-219. https://doi.org/10.1080/15374410903532650
  30. Belsky, J. (1980). Child maltreatment: an ecological integration. American psychologist, 35(4), 320. https://psycnet.apa.org/doi/10.1037/0003-066X.35.4.320
  31. Cho, Y., Atteraya, M. S. & Joo, H. C. (2018). The effects of child maltreatment on childhood behaviour problems in South Korea: findings from the fifth Korea Child and Youth Panel Survey (the 2014 KCYPS). Asia Pacific Journal of Social Work and Development, 28(1), 39-55. https://doi.org/10.1080/02185385.2017.1401956
  32. Christian, C. W. & Committee on Child Abuse and Neglect (2015). The evaluation of suspected child physical abuse. Pediatrics, 135(5), e1337-e1354. https://doi.org/10.1542/peds.2015-0356
  33. Coulton, C. J., Crampton, D. S., Irwin, M., Spilsbury, J. C. & Korbin, J. E. (2007). How neighborhoods influence child maltreatment: A review of the literature and alternative pathways. Child abuse & neglect, 31(11-12), 1117-1142. https://doi.org/10.1016/j.chiabu.2007.03.023
  34. Evans, G. W., Li, D. & Whipple, S. S. (2013). Cumulative risk and child development. Psychological bulletin, 139(6), 1342. https://psycnet.apa.org/doi/10.1037/a0031808
  35. Felson, M. & Cohen, L. E. (1980). Human ecology and crime: A routine activity approach. Human Ecology, 8(4), 389-406. https://doi.org/10.1007/BF01561001
  36. Finkelhor, D., Ormrod, R. K. & Turner, H. A. (2007). Poly-victimization: A neglected component in child victimization. Child abuse & neglect, 31(1), 7-26. https://doi.org/10.1016/j.chiabu.2006.06.008
  37. Flaherty, C. W. & Patterson, D. A. (2003). Predicting child physical abuse recurrence: comparison of a neural network to logistic regression. Journal of Technology in Human Services, 21(4), 93-111. https://doi.org/10.1300/J017v21n04_06
  38. Gillingham, P. (2016). Predictive risk modelling to prevent child maltreatment and other adverse outcomes for service users: Inside the 'black box'of machine learning. The British Journal of Social Work, 46(4), 1044-1058. https://doi.org/10.1093/bjsw/bcv031
  39. Gillingham, P. (2017). Predictive risk modelling to prevent child maltreatment: insights and implications from Aotearoa/New Zealand. Journal of public child welfare, 11(2), 150-165. https://doi.org/10.1080/15548732.2016.1255697
  40. Han, Y., Modaresnezhad, M. & Nemati, H. (2021). An Adaptive Machine Learning System for predicting recurrence of child maltreatment: A routine activity theory perspective. Knowledge-Based Systems, 227, 107164. https://doi.org/10.1016/j.knosys.2021.107164
  41. Hastie, T., Tibshirani, R. & Friedman, J. (2017). The elements of statistical learning: data mining, inference, and prediction. Springer. https://doi.org/10.1007/978-0-387-21606-5
  42. Jackson, A. M., Kissoon, N. & Greene, C. (2015). Aspects of abuse: recognizing and responding to child maltreatment. Current problems in pediatric and adolescent health care, 45(3), 58-70. https://doi.org/10.1016/j.cppeds.2015.02.001
  43. King, W. K., Kiesel, E. L. & Simon, H. K. (2006). Child abuse fatalities: are we missing opportunities for intervention?. Pediatric emergency care, 22(4), 211-214. https://doi.org/10.1097/01.pec.0000208180.94166.dd
  44. Kochanska, G. (1993). Toward a synthesis of parental socialization and child temperament in early development of conscience. Child development, 64(2), 325-347. https://doi.org/10.1111/j.1467-8624.1993.tb02913.x
  45. Lansford, J. E., Godwin, J., McMahon, R. J., Crowley, M., Pettit, G. S., Bates, J. E., Coie, J. D. & Dodge, K. A. (2021). Early physical abuse and adult outcomes. Pediatrics, 147(1). e20200873. https://doi.org/10.1542/peds.2020-0873
  46. Lau, A. S., Leeb, R. T., English, D., Graham, J. C., Briggs, E. C., Brody, K. E. & Marshall, J. M. (2005). What's in a name? A comparison of methods for classifying predominant type of maltreatment. Child abuse & neglect, 29(5), 533-551. https://doi.org/10.1016/j.chiabu.2003.05.005
  47. Liao, M., Lee, A. S., Roberts-Lewis, A. C., Hong, J. S. & Jiao, K. (2011). Child maltreatment in China: An ecological review of the literature. Children and Youth Services Review, 33(9), 1709-1719. https://doi.org/10.1016/j.childyouth.2011.04.031
  48. Linardatos, P., Papastefanopoulos, V. & Kotsiantis, S. (2020). Explainable ai: A review of machine learning interpretability methods. Entropy, 23(1), 18. https://doi.org/10.3390/e23010018
  49. Maguire-Jack, K., Yoon, S., Chang, Y. & Hong, S. (2022). The relative influence of family and neighborhood factors on child maltreatment at critical stages of child development. Children, 9(2), 163. https://doi.org/10.3390/children9020163
  50. Milner, J. S., Crouch, J. L., McCarthy, R. J., Ammar, J., Dominguez-Martinez, R., Thomas, C. L. & Jensen, A. P. (2022). Child physical abuse risk factors: A systematic review and a meta-analysis. Aggression and violent behavior, 66, 101778. https://doi.org/10.1016/j.avb.2022.101778
  51. Parasuraman, R. & Manzey, D. H. (2010). Complacency and bias in human use of automation: An attentional integration. Human factors, 52(3), 381-410. https://doi.org/10.1177/0018720810376055
  52. Powell, C. (2003). Early indicators of child abuse and neglect: a multi-professional Delphi study. Child Abuse Review: Journal of the British Association for the Study and Prevention of Child Abuse and Neglect, 12(1), 25-40. https://doi.org/10.1002/car.778
  53. Rodriguez, C. M., Gracia, E. & Lila, M. (2016). Multimethod prediction of child abuse risk in an at-risk sample of male intimate partner violence offenders. Child Abuse & Neglect, 60, 27-35. https://doi.org/10.1016/j.chiabu.2016.09.006
  54. Schwartz, I. M., York, P., Nowakowski-Sims, E. & Ramos-Hernandez, A. (2017). Predictive and prescriptive analytics, machine learning and child welfare risk assessment: The Broward County experience. Children and Youth Services Review, 81, 309-320. https://doi.org/10.1016/j.childyouth.2017.08.020
  55. Shahi, N., Shahi, A. K., Phillips, R., Shirek, G., Lindberg, D. M. & Moulton, S. L. (2021). Using deep learning and natural language processing models to detect child physical abuse. Journal of Pediatric Surgery, 56(12), 2326-2332. https://doi.org/10.1016/j.jpedsurg.2021.03.007
  56. Shapley, L. S. (1953). Stochastic games. Proceedings of the national academy of sciences, 39(10), 1095-1100. https://doi.org/10.1073/pnas.39.10.1095
  57. Spinetta, J. J. & Rigler, D. (1972). The child-abusing parent: a psychological review. Psychological bulletin, 77(4), 296. https://psycnet.apa.org/doi/10.1037/h0032419
  58. Stith, S. M., Liu, T., Davies, L. C., Boykin, E. L., Alder, M. C., Harris, J. M., ... & Dees, J. E. M. E. G. (2009). Risk factors in child maltreatment: A meta-analytic review of the literature. Aggression and violent behavior, 14(1), 13-29. https://doi.org/10.1016/j.avb.2006.03.006
  59. World Health Organization (1999). Report of the consultation on child abuse prevention. https://iris.who.int/handle/10665/65900
  60. Wu, Q. & Xu, Y. (2020). Parenting stress and risk of child maltreatment during the COVID-19 pandemic: A family stress theory-informed perspective. Developmental Child Welfare, 2(3), 180-196. https://doi.org/10.1177/2516103220967937
  61. Yang, C., Chen, M. & Yuan, Q. (2021). The application of XGBoost and SHAP to examining the factors in freight truck-related crashes: An exploratory analysis. Accident Analysis & Prevention, 158, 106153. https://doi.org/10.1016/j.aap.2021.106153