머신러닝을 활용한 서울지역 아동학대 우발지역 예측
Prediction of Child Abuse Incidence Area in Seoul through the Practice of Machine Learning
0
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
· 연구 주제: 머신러닝 기법을 활용하여 서울지역 아동학대 우발지역을 선제적으로 예측하는 모형을 구축하여 소중한 아동의 인권을 보호하기 위해 우리 사회가 나아가야 할 방향을 제시한 연구이다. · 연구 배경: 2013년에 울주와 칠곡에서 발생한 아동학대 사망 사건을 계기로 2014년에 ‘아동학대 예방 및 피해아동 조기발견･보호 종합대책’ 발표 및 ‘아동학대범죄의 처벌 등에 관한 특례법’이 제정되었다. 관련 법이 제정된 후 아동학대는 중대한 ‘범죄’라는 인식이 확산되었다. 하지만, 아동학대는 여전히 발생하고 있으며, 정부와 지자체의 노력에도 불구하고, 아동학대 신고 건수는 급격히 증가하고 있다. 아동학대의 악순환을 끊기 위해 이론 탐색과 함께 실질적인 해결방안을 제공할 수 있는 연구가 필요하다. · 선행연구와의 차이점: 기존 문헌들이 주로 아동학대 사례를 분석하여 아동학대 유발인자들을 사후에 검증하는 탐색적 연구방법에 의존했다면, 본 연구는 서울시 자치구 별 데이터를 수집하여 인공지능의 한 영역인 머신러닝 기법을 활용하여 보다 정교하게 아동학대 우발지역을 예측하였다. · 연구방법: 본 연구에서는 데이터를 수집하기 위해 웹 크롤링 기법을 활용하였다. 수집한 데이터는 전처리 과정을 거쳐 머신러닝을 활용한 추정 모델링을 기반으로 연구를 진행하였다. 추정 모델링으로는 random forest, neural network, support vector machine, AdaBoost 등을 사용했으며, 이 중 제일 정확도가 높은 예측 모형을 선정하여 결과를 도출하였다. · 연구결과: 데이터 분석 결과, AdaBoost의 AUC 값이 0.829를 나타내 최고의 모형으로 확인되었다. 또한, 관할 지역 내 공원 수가 아동학대 우발지역 예측에 가장 높은 영향력을 나타내는 것으로 나타났으며, 요보호아동 발생 수, 일반주택 주차장 수 순임을 확인할 수 있었다. 이를 통해 인구 밀집도와 경제적/사회적 복지시설의 배치에 따라 아동학대 발생이 영향을 받을 수 있음을 추론할 수 있었다. · 공헌점 및 기대효과: 국내·외에서 단 한 번도 시도된 적 없는 머신러닝 기법을 활용하여 아동학대 우발지역의 예측을 시도하여 사회학, 사회복지학, 행정학, 지역개발학 분야에 있어서의 연구 방법론의 확장에 기여하였다. 또한, 그 동안 선행연구에서 전혀 고려할 수 없었던 변수들이 아동학대 발생에 중요한 영향을 미침을 확인할 수 있었다. 이를 근거로 중앙정부 및 지자체는 제한된 자원(예산)을 효율적으로 집행할 수 있을 것이며, 범죄가 발생할 가능성이 높은 지역을 선제적으로 예측함으로써 불행한 사건을 미연에 방지할 것으로 기대된다.
Abstract
· Research topics: This is a study to suggest the direction our society should take to protect the human rights of precious children by constructing a model that preemptively predicts child abuse-prone areas in Seoul by analyzing through machine learning techniques. · Research background: Following the death case of child abuse that occurred in 2013, the ‘Comprehensive Plan for Prevention of Child Abuse and Protection of Child Victims’ was announced and the ‘Special Act on the Punishment of Child Abuse Crimes’ was enacted in 2014. Since the enactment of the law, not only social interest in child abuse has spread, but also the perception that child abuse is a 'criminal'. However, child abuse still occurs, and despite the efforts of the federal and local governments, the number of reports of child abuse is rapidly increasing. In order to prevent the occurrence of child abuse, research that can provide practical solutions along with theoretical exploration is needed. · Differences from prior research: Previous literature mainly relied on an exploratory research method that analyzes cases of child abuse and infers the factors that cause child abuse. However, this study collected various data from various districts in Seoul and used machine learning techniques, an area of artificial intelligence, to more accurately predict child abuse risk areas. · Research method: In this study, web crawling techniques were used to collect data. The collected data went through a preprocessing process and the research was conducted based on estimation modeling. Random forest, neural network, support vector machine, AdaBoost, etc. were used for estimation modeling, and the result was derived by selecting the prediction model with the highest accuracy among them. · Research results: As a result of data analysis, Adaboost's AUC value was 0.829, which was confirmed as the best model. In addition, the number of parks in the jurisdiction (19.6%) was found to have the highest influence on predicting child abuse-prone areas, followed by the number of children requiring protection (18.2%) and the number of parking lots for general housing (13.5%). Through this, it was inferred that the incidence of child abuse could be influenced by the population density and the arrangement of economic/social welfare facilities. · Contribution points and expected effects: By using machine learning techniques that have never been tried before in Korea or abroad, we try to predict child abuse-prone areas to expand research methodologies in the fields of sociology, social welfare, public administration, and regional development. The standard indicators according to the population density and basic living space for leisure presented through this study can be used as a basis for concentrating resources (budget) of the central and local governments, and preemptively target areas with a high possibility of crime. By predicting, you will be able to contribute to preventing unfortunate events in advance.
참고문헌 (33)
- 김광영, "웹 자원 아카이빙을 위한 웹 크롤러 연구 개발", 한국콘텐츠학회 논문지, 11(9), pp.9~16 (2011), 한국콘텐츠학회
- 김동현, "효율적인 기계학습을 위한 데이터 전처리", 한국컴퓨터정보학회지, 27(1), pp.49~50 (2019)
- 김선희, "성매매방지정책의 변동에 관한 연구", 한국거버넌스학회 학술대회자료집, 2007(2), pp.381~406 (2007)
- 김세원, "아동학대 사망사례의 현황과 예측요인", 한국아동복지학, (46), pp.25~56 (2014), 한국아동복지학회
- 김영식, "머신러닝 기법을 활용한 사교육 참여 예측 모형 탐색", 교육재정경제연구, 28(3), pp.29~52 (2019), 한국교육재정경제학회[DOI]
- 김윤아, "토픽모델링을 통한 가정 내 아동학대범죄 유형화", 피해자학연구, 30(1), pp.67~92 (2022), 한국피해자학회[DOI]
- 김혜진, "마케팅 분야의 머신러닝 연구 동향 분석", 마케팅연구, 36(1), pp.1~25 (2021), 한국마케팅학회[DOI]
- 노연상, "아동학대범죄의 현황과 대책", 인문사회과학연구, 30(1), pp.132~151 (2022), 인문사회과학연구소[DOI]
- 박언하, "한국의 아동학대예방 정책의 개선방안: 외국의 아동학대예방 정책 분석을 중심으로", 복지상담교육연구, 7(1), pp.331~354 (2018), 한국복지상담교육학회[DOI]
- 배화옥, "아동학대 재발생 특성과 관련요인 연구 －일회재학대와 반복재학대를 중심으로－", 한국아동복지학, 69(3), pp.145~171 (2020), 한국아동복지학회[DOI]
- 브레트 란츠, "R을 활용한 머신러닝: R로 머신러닝 알고리즘 작성, 데이터 준비, 데이터 예측 기법 깊이 파기" (2020), 에이콘출판주식회사
- 이무선, "노인의 인권강화를 위한 노인학대 관련 법률의 합리화 방안", 인문사회과학연구, 28(2), pp.236~259 (2020), 인문사회과학연구소[DOI]
- 유진은, "랜덤 포레스트: 의사결정나무의 대안으로서의 데이터 마이닝 기법", 교육평가연구, 28(2), pp.427~448 (2015), 한국교육평가학회
- 이슬, "어린이집에서의 아동학대 예방 및 대책에 관한 연구", 석사, pp.2019
- 이유석, "아동학대 예방 공익 광고의 메시지 프레이밍과 메시지 지향성이 소비자 태도와 행동의도에 미치는 영향에 관한 연구", 석사, pp.2019
- 이인지, "머신러닝을 활용한 지역축제 방문객 수 예측모형 개발", 정보시스템연구, 29(3), pp.35~52 (2020), 한국정보시스템학회
- 이정념, "아동학대의 유형에 대한 새로운 정의", 저스티스, 166, pp.209~233 (2018), 한국법학원[DOI]
- 이정진, "R, SAS, MS-SQL을 활용한 데이터마이닝" (2011), 자유아카데미
- 이주희, "아동 및 부모특성이 아동학대에 미치는 영향에 관한 연구", 한국아동권리학회, 4(1), pp.113~123 (2000)
- 이정숙, "부모의 알콜 남용으로 인한 가정폭력 피해 아동의 경험 -그림과 스토리텔링을 이용한 질적 연구-", 한국범죄심리연구, 15(2), pp.97~112 (2019), 한국범죄심리학회
- 정선영, "가구소득 수준이 아동이 인식한 방임 및 학대 수준에 미치는 영향", 한국아동복지학, 69(2), pp.121~146 (2020), 한국아동복지학회[DOI]
- 조용준, "빅데이터 SPSS 최신 분석기법: 신경망, SVM, 랜덤포레스트 편" (2018), 한나래아카데미
- Choi, W. Y., "Support vector machines for robust speaker v erification", Proceedings of the 9th Australian International Conference on Speech Scie nce & Technology, pp.262~267 (2002)
- Fawcett, T., "An Introduction to ROC Analysis", Pattern Recognition Letters, 27(8), pp.861~874 (2006)
- Friedman, J., "Additive Logistic Regression : A Statistic al View of Boosting", Annals of Statistics, 28(2), pp.337~374 (2000)
- Leung, K. H., "Modelling nea r-real-time order arrival demand in e-commerce context : A machine learning predicti ve methodology", Industrial Management & Data Systems, 120(6), pp.1149~1174 (2020)
- Kellehe, J. D., "Fundamental of machine learning for predictive data analytics: algorithms, worked examples, and case studies" (2015), MIT press
- 김성진, "감정예측모형의 성과개선을 위한 Support Vector Regression 응용", 지능정보연구, 18(3), pp.185~202 (2012), 한국지능정보시스템학회
- Kingdon, J. W., "Agendas, alternatives and public policies" (2003), Longman
- 이봉주, "아동학대가 아동·청소년 발달에 미치는 영향에 대한 종단적 연구", 아동과 권리, 18(2), pp.163~195 (2014), 한국아동권리학회
- Mitchell, T., "Machine Learning" (1997), McGraw-Hill
- Samuel, A. L., "Some Studies in Machine LearningUsing the Game of Checkers", Jo urnal of Research and Development, 3(3), pp.45~62 (1959)
- Vapnik, V. N., "The Nature of Statistical Learning Theory" (1995), Springer-Verlag