기계학습을 활용한 영유아 온라인 언어 선별검사의 응답 성실도 탐지 연구

• 영문명: Developing a Machine-learning Algorithm for Classifying Parents’ Responses to Web-based Early Language Screening
• 발행기관: 한국언어청각임상학회
• 저자명: 나지영(Ji Young Na) 홍경훈(Gyung-Hun Hong) 김중연(Jung-Yeon Kim)
• 간행물 정보: 『Communication Sciences & Disorders』vol29. no.4, 675~685쪽, 전체 11쪽
• 주제분류: 사회과학 > 교육학
• 파일형태: PDF
• 발행일자: 2024.12.31

국문 초록

배경 및 목적: 본 연구는 영유아 온라인 언어발달 선별검사에서 발생하는 부정확한 응답으로 인한 신뢰도 저하 문제를 해결하기 위해, 기계학습 모델을 활용한 부모의 응답 성실도 탐지 방법을 제안하고자 하였다. 방법: 연구에 사용된 언어발달 선별검사는 부모가 직접 온라인으로 응답하는 형태로 개발되었으며, 총 453명의 부모에게 선별검사를 실시하였다. 추가적으로 난수 발생기를 통해 무작위 불성실 응답 226건을 생성하였다. 연구자가 설정한 기준에 따라 응답 유형을 성실 응답, 비무작위 불성실 응답, 무작위 불성실 응답으로 나누어 세분화했다. 그 후, XGBoost, LightGBM, MLP 등 대표적으로 많이 사용되는 기계학습 알고리즘을 활용하여 응답 데이터를 학습시키고, K-fold 교차 검증을 통해 모델의 정확도를 평가하였다. 결과: 설정한 기준에 따라 응답은 성실 응답 220건, 비무작위 불성실 응답 233건, 무작위 불성실 응답 226건으로 분류되었다. 기계학습 기반의 응답 유형 분류 결과, 앙상블 모델을 이용한 불성실 응답 탐지에서 약 89.7%의 높은 정확도를 기록하며, 부모의 불성실한 응답을 효과적으로 분류할 수 있음을 입증하였다. 논의 및 결론: 본 연구에서제안한 기계학습 기반 접근법은 영유아 온라인 언어발달 선별검사뿐만 아니라 자기보고식 설문의 불성실 응답 탐지에 효과적으로 활용될 수 있다. 이러한 방법을 통해 연구 데이터의 신뢰성을 높이고 보다 정확한 평가가 이루어질 것으로 기대된다.

영문 초록

Objectives: This study aims to address the issue of decreased reliability caused by inaccurate responses in web-based early language screening tests for infants and toddlers by proposing a method for detecting the sincerity of parental responses using a machine learning algorithm. Methods: The language development screening test used in this study was developed so that parents could respond directly online, and a total of 453 parents participated in the screening test. Additionally, 226 randomly generated responses were created using a random number generator. According to the criteria set by the researchers, the response types were categorized into sufficient effort responses, insufficient effort responses, and randomly generated responses. Various machine learning algorithms, including XGBoost, LightGBM, and MLP, were used to train the response data, and the accuracy of the model was assessed using K-fold cross-validation. Results: Based on the established criteria, the responses were classified as 220 sufficient effort responses, 233 insufficient effort responses, and 226 randomly generated responses. The ensemble voting demonstrated a high accuracy of approximately 89.7% in detecting insufficient effort responses and randomly generated responses, effectively classifying parents’ insufficient effort responses. Conclusion: The machine-learning-based approach proposed in this study can be effectively utilized not only in web-based language screening for infants and toddlers but also in detecting insufficient effort responses in self-reported surveys. This approach is expected to enhance the reliability of research data and facilitate more accurate assessments.

목차

연구방법

연구결과

논의 및 결론

REFERENCES

키워드

기계학습 온라인 언어 선별검사 영유아 언어 선별검사 응답 성실도 Machine-learning Web-based language screening Early language screening Classifying responses