신속한 스마트미디어 중독 성향 예측을 위한 설문 데이터 기반의 기계학습 모델
A Machine Learning Model for Rapid Prediction of Smart Media Addiction Tendencies Based on Survey Data
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구는 성인 스마트미디어 중독 조사에 대한 빅데이터를 기반으로 기계학습을 사용하여 중독 분류인 위험군, 잠재적 위험군, 정상을 신속하게분류하는 인공지능 모델을 제안한다. 스마트미디어는 계속해서 발전하고 있으며, 코로나 이후 급격하게 스마트미디어 의존도가 높아졌으나, 현재스마트미디어 중독에 대한 예방 및 치료 프로그램은 충분하지 않다. 스마트미디어 사용자들은 대부분 중독을 자각하지 못하고 있으며 중독의 위기감을 자각하더라도, 중독 성향 예측은 주로 심리검사를 받기 위한 내담자나 방문자에게 척도를 제시함으로써 이루어지기 때문에 검사를 위한 스마트미디어 중독 척도에 대한 일반 대중의 접근성은 매우 낮은 실정이다. 본 연구에서는 일반 대중의 스마트미디어 중독 척도에 대한 접근성을 높이고자 기계학습을 사용한 자동화된 인공지능 모델을 구성하여 개인및 집단에 대한 중독 추세 파악을 시도하였다. 연구에서 제안된 인공지능 모델은 기계학습을 활용하여 척도의 점수 처리 과정을 대체함으로써정확도와 처리시간이 향상되었다. 본 연구 결과는 중독 분류 과정에서 인력과 시간비용을 줄임으로써 스마트미디어 중독의 사용과 관련된 문제를실시간으로 인지 및 예방하고, 중독 위험 감소를 통해 더 건강한 사용 습관을 촉진하는 데 기여할 수 있다. 내담자에 대한 상담에서 인공지능기반의 접근 방법은 개인 맞춤형 중독 예방 및 치료 프로그램 개발에 활용될 수 있으며, 수집된 데이터는 빅데이터로서 스마트미디어 중독 추세파악에 중요한 기초 자료로 활용될 것으로 판단된다.
Abstract
This study proposes an artificial intelligence model that utilizes machine learning to rapidly classify adults into three categories—high-risk, potential risk, and normal—based on big data from a survey of smartphone addiction. Smart media continues to evolve, andits reliance has surged significantly since the COVID-19 pandemic; however, current prevention and treatment programs for smartphoneaddiction are insufficient. Most smart media users are unaware of their addiction, and even when they recognize the potential risks ofaddiction, the prediction of addictive tendencies primarily occurs by presenting scales to clients or visitors seeking psychologicalassessments. As a result, the general public's access to assessments for smartphone addiction scales is notably limited. This study aimsto enhance public access to smartphone addiction scales by developing an automated artificial intelligence model using machine learning,in order to identify addiction trends on both individual and group levels. The artificial intelligence model proposed in this study enhancesaccuracy and processing time by substituting the score processing of traditional scales with machine learning techniques. The resultsof this study can contribute to real-time recognition and prevention of smartphone addiction by reducing manpower and time costs duringthe classification process, thereby promoting healthier usage habits through the reduction of addiction risks. In counseling clients, anAI-based approach can be utilized for the development of personalized prevention and treatment programs for addiction. Moreover, thecollected data will serve as an important foundational resource for understanding trends in smartphone addiction as big data.