검색 결과
Factors Associated with Happiness among Korean Ninth-Grade Students: A Comparative Machine Learning Analysis
Lee, Sangmi(Dongyang University) 보건사회연구 , Vol.46, No.3, pp.546-567 https://dx.doi.org/10.15709/hswr.2026.46.3.546
Abstract
This study aimed to identify factors related to happiness among Korean ninth-grade students using machine learning. Data were drawn from the 16th wave (2023) of the Panel Study on Korean Children (PSKC), conducted by the Korea Institute of Child Care and Education, and the final sample included 1,154 ninth-grade students. Happiness was used as the outcome variable, while sociodemographic, psychological, academic, relational, and lifestyle characteristics were included as predictors. Multiple linear regression, Elastic Net, Random Forest, and XGBoost models were compared. Feature importance, SHapley Additive exPlanations (SHAP), and Random Forest partial dependence plots (PDPs) were used to examine predictor importance, direction of predictive contribution, and nonlinear prediction patterns. Model performance rankings differed between cross-validation and final validation, with the models demonstrating broadly comparable predictive performance. In the tree-based machine learning models—Random Forest and XGBoost—self-esteem was the most important predictor, followed by depression, peer attachment, ego-resilience, academic stress, paternal and maternal attachment, self-regulated learning, smartphone overdependence, and subjective socioeconomic status. SHAP analyses showed broadly consistent directions of predictive contribution across the two models, while the Random Forest PDPs indicated nonlinear prediction patterns for several major variables. These findings demonstrate that happiness among Korean ninth-grade students is associated with diverse psychological, relational, and academic factors and provide foundational evidence for understanding adolescent happiness.
초록
본 연구는 중학교 3학년 청소년의 행복감 관련 요인을 머신러닝을 활용하여 파악하기 위해 육아정책연구소의 2023년 제16차 한국아동패널 Ⅱ 자료를 이용하였으며, 분석대상은 중학교 3학년 학생 1,154명이었다. 행복감을 결과변수로 하고, 청소년의 인구사회학적·심리적·학업적·관계적 및 생활습관 특성을 예측변수로 구성하였다. 분석에서는 평균예측모형을 기준으로 다중선형회귀, 엘라스틱넷, 랜덤포레스트 및 XGBoost의 예측 성능을 비교하였다. 또한 변수 중요도와 SHAP 분석을 통해 주요 변수의 상대적 중요도와 예측 기여 방향을 확인하고, 랜덤포레스트의 부분의존도 분석을 통해 비선형적 예측 양상을 탐색하였다. 분석 결과, 교차검증과 최종 검증에서 모형 간 성능 순위는 일관되지 않았으며 전반적으로 유사한 수준을 보였다. 트리 기반 머신러닝 모형(랜덤포레스트 및 XGBoost)에서 자아존중감이 가장 중요한 변수로 나타났으며, 우울, 또래애착, 자아탄력성, 학업스트레스, 부모애착, 자기조절학습, 스마트폰 과의존 및 주관적 사회경제적 지위도 주요 관련 요인으로 확인되었다. SHAP 분석에서 주요 변수의 기여 방향은 두 모형 간 대체로 일관되었으며, 부분의존도 분석에서는 일부 주요 변수와 행복감 간의 비선형적 관계 양상이 나타났다. 이러한 결과는 중학교 3학년 청소년의 행복감이 다양한 심리적·관계적·학업적 요인과 관련되어 있음을 보여주며, 청소년 행복감 이해를 위한 기초자료를 제공한다.
A Study on the Typology of Changes in Adolescents' Overall Happiness: Focusing on an Exploration of Influencing Factors Using Growth Mixture Modeling
Lee, Myung Hee(HannamUniversity) ; Kim, Jae Chul(HannamUniversity) 보건사회연구 , Vol.46, No.2, pp.32-52 https://dx.doi.org/10.15709/hswr.2026.46.2.32
Abstract
This study aimed to longitudinally categorize the changing patterns of adolescents' general happiness and explore the factors influencing each trajectory. Data from the 10th (2015; 471 students in grades 4-6), 13th (2018), and 16th (2021) waves of the Korean Welfare Panel Study (KOWEPS) Children's Supplementary Survey were analyzed using Growth Mixture Modeling (GMM) and the 3-step approach. The analysis revealed that while adolescents' happiness generally decreased over time, individual trajectories were classified into five distinct latent classes: the 'High-starting rapid-decline' class (15.4%), 'High-school-period rapid-decline' class (14.2%), 'Mid-high-starting gradual-decline' class (32.8%), 'High-starting gradual-increase' class (25.7%), and 'High-school-period recovery' class (11.9%). Using 'High-starting gradual-increase' class—the most adaptive developmental trajectory—as the reference group, the study explored influencing factors and found that low self-esteem, suicidal ideation, and experiences of school violence victimization in early childhood (elementary school period) were identified as key predictors for entering risk trajectories, whereas parental factors did not show a significant influence. These findings provide empirical evidence for the heterogeneous developmental trajectories of adolescent happiness and suggest the need for early identification of at-risk groups and the development of prevention-oriented, customized intervention systems.
초록
본 연구는 청소년의 전반적 행복감 변화 양상을 종단적으로 유형화하고, 각 궤적에 영향을 미치는 요인을 탐색하고자 하였다. 한국복지패널 아동부가조사 10차(2015년, 초등 4~6학년 471명), 13차(2018년), 16차(2021년) 자료를 활용하여 성장혼합모형(GMM)과 3단계 접근법을 적용하였다. 분석 결과, 청소년의 행복감은 전반적으로 감소하였으며 개인별 변화 궤적은 고수준 출발 급감형(15.4%), 고등기 급감형(14.2%), 중상 수준 출발 점진적 하락형(32.8%), 고수준 출발 점진적 상승형(25.7%), 고등기 회복형(11.9%)의 다섯 집단으로 분류되었다. 발달적으로 가장 적응적인 ‘고수준 출발 점진적 상승형’을 준거집단으로 설정하여 영향 요인을 탐색한 결과, 초기 아동기(초등 시기)의 낮은 자아존중감, 자살 생각, 학교폭력 피해 경험이 위험 궤적 진입을 예측하는 핵심 요인으로 확인되었으며 부모 요인은 유의한 영향을 미치지 않았다. 본 연구는 청소년의 행복감이 이질적인 궤적을 띰을 실증하고, 위험군 조기 선별과 예방 중심의 맞춤형 개입 체계 마련의 필요성을 시사한다.
Exploring Predictors of Happiness Trajectories in Early Adolescence: Using Latent Class Growth Analysis and Machine Learning
Song, So Yeon(Inha University) ; Bang, Yoon Seock(Inha University) ; Choi, Ji Young(Inha University) 보건사회연구 , Vol.46, No.2, pp.329-349 https://dx.doi.org/10.15709/hswr.2026.46.2.329
Abstract
This study aimed to identify latent subtypes of happiness trajectories during early adolescence and to explore key predictors of trajectory membership using machine learning approaches. Data were drawn from Waves 12 to 15 of the Panel Study on Korean Children (PSKC), corresponding to grades 5 through 8. Latent Class Growth Analysis (LCGA) was conducted to identify distinct trajectories of happiness over time. Baseline individual, family, peer, environmental, and future-oriented variables were then used to develop machine learning models predicting trajectory membership. Multiple models were compared, and SHAP (SHapley Additive exPlanations) analysis was applied to the best-performing model to examine the relative importance of predictors. Three distinct happiness trajectories were identified: a high-level slow-decline group, a mid-level average-decline group, and a low-level rapid-decline group. Among the machine learning models, the Random Forest demonstrated the most stable predictive performance. SHAP analysis indicated that multidimensional factors contributed to classifying different happiness trajectories. The findings suggest that changes in overall happiness during early adolescence can be characterized by distinct latent trajectories with different initial levels and rates of decline. Furthermore, the use of machine learning models allowed for a more flexible prediction of happiness trajectories by accounting for the combined influence of individual, family, peer, environmental, and expectations and perceptions about the future.
초록
본 연구는 초기 청소년의 전반적 행복감 변화 궤적의 하위 유형을 규명하고, 머신러닝을 활용하여 행복감 궤적 유형을 예측하는 주요 변인을 탐색하는 것을 목적으로 하였다. 한국아동패널조사(KCPS) 12-15차 자료(초5-중2)를 활용하여 잠재계층성장분석을 실시하여 행복감 변화 궤적 유형을 도출하였다. 기저선 시점의 개인, 가족, 또래, 환경 및 미래인식 관련 변인을 투입하여 행복감 궤적 집단을 예측하는 머신러닝 모델들을 구축·비교하였으며, 최적 모델에 대해서 SHAP 분석을 실시하였다. 초기 청소년기의 행복감 변화 궤적은 고수준-완만감소형, 중간수준-평균감소형, 저수준-빠른감소형의 세집단으로 분류되었다. 머신러닝 모델 중에서는 랜덤포레스트가 가장 안정적인 예측성능을 보였으며, 상대적 중요도 분석 결과, 다차원적 요인이 행복감 궤적 분류에 기여하는 것으로 나타났다. 본 연구는 초기 청소년기의 전반적 행복감 변화가 서로 다른 수준과 감소속도를 지닌 잠재집단으로 구분됨을 확인하였으며, 머신러닝 모델을 통해 개인, 가족, 또래, 환경 및 미래 관련 변인이 복합적으로 작용하는 행복감 변화 궤적을 유연하게 예측할 수 있음을 보여주었다.