AI 기반 교우관계 문제 예측 서비스 시스템을 위한 프레임워크 설계
Framework Design for an AI-Based Service System for Predicting Peer Relationship Problems
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구는 초등학생이 작성한 일기 텍스트를 분석하여, 교우관계 문제 수준을 예측할 수 있는 인공지능 기반 진단 프레임워크를 제안하였다. 자연어처리(NLP) 기술과 기계학습 기법을 활용하여, 학생 생성 텍스트에 나타난 정서 및 사회적 신호를 구조화된 입력 변수로 추출하고, 이를 바탕으로 아동청소년 교우관계문제검사(KIPR)의 하위 요인 점수(자신감 결여 및 사회적 위축, 공격성 및 타인 조종, 과잉배려)를 회귀 예측하는 모델을 개발하였다. 총 205편의 일기 데이터를 수집하여 문장 수준에서 임베딩을 수행하였으며, 부정 감정 강도를 반영하는 감정 강조 전략과 더불어 감정 점수, 감정비율, 친구 관련 표현 빈도 등의 사회정서적 특성을 입력 벡터에 통합하였다. 모델 성능 비교 결과, 정서적 특성을 확장 반영한 XGBoost 기반 회귀 모델이 모든 요인에서 가장 높은 설명력을 보였다. 또한, 정성적 분석을 통해 감정의 표출 대상, 갈등 유발 표현, 반복 양상 등을 파악하고, 이를 기반으로 정서 누적 위험을 진단할 수 있는 구조를 함께 제시하였다. 이러한 프레임워크는 학생의 일상 언어 표현에 내재된 정서적·관계적 신호를 실시간으로 감지하고 해석할 수 있는 가능성을 보여주며, 교사가 학급 내 교우관계 문제를 조기에 파악하고 효과적으로 개입할 수 있도록 지원하는 실질적 교육 서비스로의 확장 가능성을 시사한다.
Abstract
This study proposes an AI-based framework for predicting peer relationship problems among elementary students by analyzing their diary texts. Leveraging natural language processing and machine learning techniques, the model extracts emotional and relational features from student-generated narratives and predicts the severity of peer-related difficulties based on the Korean Inventory of Peer Relationships (KIPR). A total of 205 diary entries were collected and analyzed. Sentence embeddings were enhanced using an emotion-weighted strategy that adjusts vector representations based on the intensity of negative expressions. In addition, contextual features such as emotional ratios and frequency of friend-related expressions were incorporated into the model. Among the tested regression models, the XGBoost-based architecture with expanded input features demonstrated the best performance across the three KIPR subscales: lack of confidence and social withdrawal, aggression and control, and excessive consideration. The proposed framework also includes a qualitative module that identifies the emotional target, classifies conflict types, and detects cumulative emotional risk. These results show the potential of student-generated texts as context-sensitive data sources for understanding peer relationship issues, and suggest practical applicability in educational settings by enabling early identification and timely intervention.