검색 결과
Development and Preliminary Evaluation of a 3-Item Short-Form Health Literacy Screening Tool Based on the HLS-EU-Q16
Rhee, YungSeon(Chosun University) 보건사회연구 , Vol.46, No.3, pp.306-324 https://dx.doi.org/10.15709/hswr.2026.46.3.306
Abstract
This study constructed a 3-item candidate health literacy screening tool based on the HLS-EU-Q16 and evaluated its classification performance using Korea Health Panel data. Data from 8,358 adults with complete HLS-EU-Q16 responses were analyzed. Three candidate combinations were constructed based on item distributions, corrected item-total correlations, internal consistency, exploratory factor analysis, and content representativeness. Low health literacy was defined as a full-scale score of 12 or lower. Split-sample validation and sensitivity analyses were conducted. Candidate 1 (HLIT1, HLIT8, and HLIT12) had a Cronbach’s α of .787 and a correlation of r=.902 with the full scale. At a cutoff score of 2 or lower, sensitivity was 98.2%, specificity 78.8%, accuracy 88.3%, negative predictive value 97.8%, balanced accuracy 88.5%, and AUC 0.965. Its AUC ranked second among all 560 possible 3-item combinations, while its sensitivity and negative predictive value were higher than those of the top-AUC combination. In the validation sample, sensitivity and negative predictive value were 98.3% and 98.0%, respectively. Candidate 1 showed potential as a brief screening tool for rapidly identifying individuals at risk of low health literacy.
초록
본 연구는 한국의료패널 자료를 활용하여 HLS-EU-Q16 기반 3문항 건강문해력 선별 후보도구를 구성하고 분류 성능을 평가하는 것을 목적으로 수행하였다. 연구 대상은 완전응답 성인 8,358명이며, 문항분포, 문항–총점 상관, 내적 일관성, 요인분석 및 내용적 대표성을 검토하여 세 예비조합을 구성하였다. 원척도 12점 이하를 저건강문해력군으로 정의하고 표본분할 및 민감도 분석을 시행하였다. 연구 결과 예비조합1(HLIT1, HLIT8, HLIT12)은 Cronbach’s α=.787, 원척도와의 상관 r=.902였다. 2점 이하 기준에서 민감도 98.2%, 특이도 78.8%, 정확도 88.3%, 음성예측도 97.8%, 균형정확도 88.5%, AUC 0.965였다. 560개 조합 중 AUC는 2위였고, 최고 조합보다 민감도와 음성예측도가 높았다. 검증표본에서도 민감도 98.3%, 음성예측도 98.0%였다. 예비조합1은 저건강문해력 위험군을 신속히 포착하기 위한 3문항 선별 후보도구로 활용 가능성이 있다.
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.