머신러닝기반의 KSORAS 재범요인 확인 연구: 의사결정나무 분석과 랜덤포레스트 기법을 활용하여
Identification recidivism risk factors study based on machine learning: Using decision tree analysis and random forest algorithm
0
조회
0
다운로드
6
인용
0
참고문헌
키워드
초록
본 연구에서는 재범위험성 평가 도구와 관련한 국내 현황과 한계점에 대하여 설명하고 이를 위한 새로운 통계적 접근 방법을 제시하고자 하였다. 현재 미국에서 활발한 연구가 이루어지고 있는 머신 러닝 기법인 의사결정 나무(decision tree) 분석과 랜덤 포레스트 기법을 도입하여 한국 성범죄자 위험성 평가척도인 K-SORAS의 개정판을 이용하여 수집한 데이터 샘플에서 성범죄 재범을 일으키는 가장 큰 위험요인을 확인하였다. 그 결과 KSORAS의 문항 중 8번 문항인 ‘감독 기간 내 문제 행동’이 재범과 가장 관련이 큰 것을 확인할 수 있었다. 이를 통해 한국의 재범위험성 평가가 가진 한계점을 보완하는 방법을 고찰해 보았다. 이와 같이 재범위험성 평가에 머신 러닝 기법을 함께 활용하여 분석하는 연구들은 현재 국내에서는 아직 그 흔적을 찾기가 어려운 상황이다. 따라서 본 연구가 그 발판이 되어 머신 러닝 기법 등을 재범위험성 평가 등에 적용하여 분석해보는 활발한 추가 연구가 이루어지게 되기를 바란다.
Abstract
The purpose of this study is to identify recidivism risk factors of KSORAS (Korean Sex Offender Risk Assessment Scale) by using machine learning method, especially decision tree analysis and random forest algorithm which are currently being studied actively in the US. Also the limitation of existing risk assessments is explained. By using revised version of KSORAS data of the offenders who are under electronic monitoring, it was feasible to figure out the most related factors among 55 other factors to recidivism. The most affective factor to recidivism was the item number 8 which is problematic behavior while supervision period. This statistical approach is expected to be a latest way of making up for any weak points of existing risk assessments.
참고문헌 (17)
- 노일석, "청소년 절도사범 재범 예측 요인: 절도 소년보호관찰대상자 재범위험성 평가도구(LJP-RRAR) 개발 연구", 한국심리학회지:일반, 28(2), pp.449~470 (2009), 한국심리학회
- 서종한, "성폭력위험성평가의 진화: 근거기반 성폭력위험성프로토콜(RSVP)을 중심으로", 형사정책연구, 28(2), pp.215~256 (2017), 한국형사법무정책연구원
- 신혜정, "의사결정 분류나무를 위한 다양한 R 패키지들에 대한 비교 분석", 석사, pp.2016
- 이수정, "최신범죄심리학" (2018), 학지사
- 이수정, "한국 성범죄자 위험성 평가 도구 개발 및 타당도 연구", 형사정책연구, 19(4), pp.309~345 (2008), 한국형사법무정책연구원
- 이수정, "재범 추적을 통한 한국성범죄자위험성평가척도(KSORAS) 타당도 연구", 한국심리학회지:일반, 29(4), pp.999~1016 (2010), 한국심리학회
- 이수정, "범죄위험성의 평가와 활용방안", 한국심리학회지:일반, 22(2), pp.99~126 (2003), 한국심리학회
- 이승원, "성범죄 전자감독대상자들에 대한 재범추적 연구", 한국심리학회지:법, 12(1), pp.15~33 (2021), 한국법심리학회[DOI]
- 홍영오, "강력범죄의 재범률 및 재범예측에 대한 연구", 형사정책연구, pp.1~239 (2012)
- Barbaree, H. E., "Evaluating the predictive accuracy of six risk assessment instruments for adult sex offenders", Criminal Justice and Behavior, 29, pp.490~521 (2001)
- Lussier, P., "A person-oriented perspective on sexual offenders, offending trajectories, and risk of recidivism. Psychology", Public Policy, and Law, 17(4), pp.530~561 (2011)
- Liu, Y. Y., "A Comparison of Logistic Regression, Classification and Regression Tree, and Neural Networks Models in Predicting Violent Re-Offending", J Quant Criminol, 27, pp.547~573 (2011)
- Ngo, F. T., "Assessing the Predictive Utility of Logistic Regression, Classification and Regression Tree, Chi-Squared Automatic Interaction Detection, and Neural Network Models in Predicting Inmate Misconduct", Am J Crim Just, 40, pp.47~74 (2015)
- Welsh, J. L., "A Comparative Study of Adolescent Risk Assessment Instruments: Predictive and Incremental Validity", Assessment, 15(1), pp.104~115 (2008)
- Tollenaar, N., "Which method predicts recidivism best?:A comparison of statistical, machine learning and data mining predictive models", Journal of the Royal Statistical Society Series A (Statistics in Society), 176(2), pp.565~584 (2013)
- Pflueger, M. O., "Predicting general criminal recidivism in mentally disordered offenders using a random forest approach", BMC psychiatry, 15, pp.62~ (2015)
- Kline, R. B., "Methodology in the social sciences.Principles and practice of structural equation modeling" (2016), Guilford Press