머신러닝을 활용한 유아의 사회적 유능성 예측모델 개발

Developing Prediction Model for Children’s Social Competence Using Machine Learning

Article information

Korean J Child Stud. 2022;43(3):289-301
Publication date (electronic) : 2022 August 31
doi : https://doi.org/10.5723/kjcs.2022.43.3.289
Assistant Professor, Department of Child Studies, Dong-A University, Busan, Korea
이근애orcid_icon
동아대학교 아동학과 조교수
Corresponding Author: Geun Ae Lee, Assistant Professor, Department of Child Studies, Dong-A University, 37, Nakdong-daero 550beon-gil, Busan, Korea E-mail: 062900@dau.ac.kr
Received 2022 June 15; Revised 2022 August 6; Accepted 2022 August 9.

Trans Abstract

Objectives

This study aims to identify the types of latent classes of children’s social competence, and to develop a model using machine learning to predict the type and identify relatively important variables.

Methods

Data were collected from 466 children aged three to five years and their mothers. Children’s social competence was classified by level. Latent class analysis, machine learning model construction, and performance evaluation were performed using R 3.6.1 and R-Studio 1.2.5033. The machine learning algorithms used were logistic regression, lasso logistic regression, random forest, and gradient-boosted decision tree models.

Results

First, according to the characteristics of the latent class of children’s social competence, it was classified into two types: ‘high level’ and ‘low level’. Second, a machine learning algorithm was applied according to the latent class. The best performing model was the random forest model. Third, the most important variable in predicting the social competence type was identified as ‘harm avoidance’ in the children’s temperament. Fourth, another major variable was a ‘shift’ in the children’s executive functions.

Conclusion

This study is meaningful as it suggests the possibility of predicting and discriminating children’s social competence and various developmental aspects by applying machine learning, the latest technique, to predict the types of children’s social competence.

Introduction

사회적 존재인 인간은 태어나 평생 타인과의 사회적 관계 속에서 성장하며 삶을 살아간다. 최초의 관계는 가정에서 시작되는데, 주로 양육자인 부모와의 관계를 시작으로 형제, 자매, 가족, 또래 및 기타 성인들로 점차 그 관계가 확장되어 간다. 타인과의 적극적인 상호작용을 통해 확장된 사회적 관계망 속에서 사회의 규범과 가치를 습득하게 된다. 사회화의 과정을 통해 유아는 자신이 속한 사회적 환경에 적응하고, 건강한 자아를 형성하며, 바람직한 사회의 구성원으로 성장해가게 되는데, 이러한 과정에서 필수적인 요소가 바로 사회적 유능성이다(Anderson, & Beauchamp, 2012; Y. H. Kwon, 2003; Lim, 2018; NamKung, 2015).

사회적 유능성은 유아의 적응력과 자아정체감 형성에 영향을 주는 변인으로(Lim, 2018), 이는 성장 과정을 통해 이후의 삶에 지속해서 영향을 미친다. 사회적 유능성이 뛰어난 유아일수록 타인과의 상호작용에서 유능한 모습을 보이기 때문에 또래나 성인으로부터 선호도가 높고 더 많은 발달과 성장을 할 수 있다. 반면, 유아기에 사회적 유능성이 발달하지 못하면 또래나 집단 속에 참여하지 못하고 거부당하는 등 사회적 적응에 어려움을 겪게 되고(Yun, 2014), 발달의 과정에서 공격적 행동이나 위축된 행동 등과 같은 사회적 부적응의 위험요소를 포함하게 되는데, 이는 전 생애를 통해 사회적 관계 및 적응에 있어 영향을 미치며, 위험 가능성을 가지게 된다(Crick, 1996; Katz & McCellan, 1992; Y. S. Kim & Lee, 2015; Kupersmidt & Coie, 1990; Y. H. Kwon, 2003; Parker & Asher, 1987). 이렇게 성장 과정에서 지속적으로 영향을 미치는 유아의 사회적 유능성은 유아의 건강한 성장과 발달에 있어 중요한 변인으로 여겨지며 이에 영향을 미치는 변인에 관한 많은 연구가 이루어졌다(Denham, 2006; M. J. Kim, 2013; S.-H. Kim & Bae, 2016; Lim, 2018; Nam-Kung, 2015; H.-S. Park & Kim, 2015). 이러한 연구를 종합하여 보면 사회적 유능성에 영향을 미치는 변인은 유아 개인의 내적 변인과 외적 변인으로 구분될 수 있다.

유아 개인의 내적 변인 중 사회적 유능성의 개인차를 설명해주는 변인으로 유아의 기질, 실행기능, 탄력성 등을 들 수 있다. 유아 기질의 개인차는 유아가 또래를 사귀고, 또래 관계의 질을 높이는 것과 관련이 있어 유아교육 기관에서 부적응행동과 사회적 유능감에 영향을 미치는 것으로 알려져 있다(Walker, Berthelsen, & Irving, 2001). 또한, 유아기에는 개인이 목표를 설정하고, 설정한 목표를 달성하기 위해 사고, 정서, 행동을 의식적으로 관리하고 조절하는 고차원적 인지 기능인 실행기능이 발달한다(Carlson & Moses, 2001; Luciana, 2013; Zelazo & Müller, 2002). 실행기능이 발달함에 따라 유아들은 자신의 인지와 정서를 상황에 맞게 조절하여 사회에서 필요한 사회적 능력을 함양하고 이를 활용할 수 있게 된다. 따라서 실행기능과 사회적 유능성의 두 변인 간은 관련이 있을 것이라 가정할 수 있다. 최근의 연구들에서, 탄력성은 역경의 맥락 속에서 적응적인 발달의 과정을 명확화하기 위하여 개념화되고 연구되고 있는데(Luthar, 1991; Yates, Egeland, & Sroufe, 2003), 탄력성이란 스트레스가 증가하는 상황일지라도 영향을 덜 받거나 거의 받지 않으며, 그 상황에서 대처하는 데에 유능감을 발휘하여 스트레스를 현저히 낮출 수 있는 능력(Luthar, 1991)으로, 유아가 자신의 욕구를 만족시키기 위해 사회적 상황에서의 위기를 극복하고 정상적인 발달과 성장을 하게 해준다. 이는 곧 유아의 사회적 유능성과 관련이 있을 것으로 예측해 볼 수 있다.

유아의 사회적 유능성은 유아 개인의 내적 특성과 관련되지만, 유아의 사회적 행동은 환경적 요인의 영향을 받으므로 외적 변인에 의한 영향도 고려되어야 한다. 그중에서도 상대적으로 유아와 많은 시간을 보내는 주 양육자의 역할이 크다. 특히 유아의 사회적 관계에서 가장 큰 영향을 미치는 일차적 환경은 어머니로서, 특히 어머니의 개인적 특성과 상호작용 방식은 유아에게 직접 영향을 미친다. 어머니는 유아에게 사회적 관계를 맺기 위한 접촉의 기회를 제공하고 사회적 관계에서 필요한 기술을 조언하는 등의 역할을 한다(Denham & Burton, 2003). Lew와 Kang (2013)의 연구에서는 어머니와의 상호작용의 질이 유아의 사회적 능력에 긍정적으로 영향을 미침을 밝히고 있다. 이렇듯 유아의 사회적 유능성에 어머니의 영향이 크다는 것을 알 수 있다.

어머니의 개인적 특성을 설명할 수 있는 변인으로 기질과 성격을 들 수 있다. 기질은 타인과의 상호작용 속에서 각 하위 차원이 활성화되며, 이를 통하여 다양한 정서 자극에 대한 반응과 행동적 반응이 나타난다(B. B. Min, Oh, & Lee, 2007). 또한, 기질 특성을 바탕으로 성격의 발달과 행동 양상은 다르게 나타날 수 있는데(B. B. Min et al, 2007), 이러한 어머니의 정서적 반응과 행동은 유아에게까지 영향을 미치게 된다. 따라서 유아의 사회적 유능성 발달에 있어 사회화 과정의 맥락을 고려한다면, 유아의 중요한 외적 변인인 어머니의 기질과 성격을 고려할 필요가 있다.

또한, 유아의 사회적 유능성에 대한 어머니의 양육행동은 아동의 특성 외에 어머니의 사회문화적 맥락과도 관련이 있다. Belsky (1984)는 아동과 어머니의 상호작용에 있어 어머니의 성격, 아동의 기질, 사회적 관계 속에서의 스트레스와 같은 요인들이 복합적으로 영향을 미침을 밝히고 있다. 어머니의 양육스트레스는 교사가 평정한 사회적 유능성, 내면화 및 외현화 행동 문제와 유의한 관계가 있었으며, 부모 양육 행동뿐 아니라 부모의 자녀 양육스트레스 수준이 취학 전 아동의 사회적 행동에 영향을 미친다고 지적하였다(Anthony et al, 2005). 따라서 아동의 사회적 유능성에 영향을 미치는 사회 맥락적 요인의 관계를 이해하기 위하여 어머니의 양육 관련 특성으로 양육에 대한 만족감, 죄책감, 그리고 자녀 양육스트레스가 아동의 사회적 유능성에 어떠한 영향을 미치는지 살펴볼 필요가 있다.

종합하면 유아는 최초의 관계인 어머니와의 관계에서 사회를 경험하고, 성장함에 따라 사회적 범위를 확장 시켜가며 사회적 관계 형성과 유지를 위해 필요한 사회적 유능성을 발달시키게 된다. 사회적 유능성에 영향을 미치는 변인들은 매우 다양하지만, 본 연구에서는 유아 개인 변인과 환경 변인으로서 어머니 특성이 유아의 사회적 유능성에 미치는 영향을 살펴보고자 한다.

선행연구들에서 유아의 사회적 유능성의 영향요인을 분석하는 방법은 주로 변인 간의 관계를 살피는 변인 중심적 접근이 주를 이루고 있다. 그러나 유아의 사회적 유능성은 유아의 개인적 특성과 유아의 다양한 환경적 특성 등이 상호작용하여 매우 다양하게 나타날 수 있다. 그러나 유아의 사회적 유능성의 발달특성을 유사성 및 이질성에 근거하여 잠재계층을 규명한 연구는 찾아보기 힘들다. 따라서 잠재계층분석을 통해 유사한 특성이 있는 잠재계층을 객관적으로 분류하고(B. Kim & Cho, 2013), 집단의 수나 크기에 따른 계층별 차이를 확인할 수 있는(Cho & Shin, 2012) 사람중심적 접근방법으로 유아의 사회적 유능성의 특성을 규명하고자 한다.

이처럼 잠재계층 유형에 따른 특성 파악도 중요하지만, 유아의 사회적 유능성 유형을 예측하여 사회적 유능성의 수준이 낮은 유아를 분별할 수 있다면 더욱 효과적으로 유아의 사회적 유능성 발달을 촉진할 수 있다. 이를 위해 머신러닝 기법을 활용할 수 있는데, 머신러닝은 정확한 예측을 위한 강력한 도구로서, 축적된 정보를 바탕으로 학습하고 미래를 예측하는 방법이다(Lantz, 2013). 머신러닝 기법은 다양한 연구 분야에 적용되고 있는데, 특히 영유아와 관련하여서는 아동학대나 아동복지정책을 위한 연구(S. H. Lee, Maenner, & Heilig, 2019; Perron et al., 2019; Taylor et al., 2019), 발달지연이나 장애예측 연구(Ambili & Afsar, 2016; Goodfellow et al., 2018)등에 활용되고 있으며, 유아의 실행기능을 예측한 연구(G. A. Lee, 2021)도 있다. 국내에서는 주로 학령기 아동에 관한 연구가 주를 이루는데, 학령기 아동의 행복감(E.-K. Goh, 2020a), 초등학교 학교 적응(E. K. Goh & Jeon, 2020)을 예측하거나, 학업 수행능력의 종단유형을 예측(E.-K. Goh, 2020b)한 연구들이 있다.

이러한 머신러닝 모델을 유아의 사회적 유능성에 적용하면, 전체 유아의 사회적 유능성을 위한 보편적인 예측모델뿐만 아니라 개별 유아에 대한 예측모델과 지원의 근거로 활용할 수 있을 것이다. 본 연구를 위해 설정된 연구문제는 다음과 같다.

연구문제 1

유아의 사회적 유능성의 유형과 특성은 어떠한가?

연구문제 2

유아의 사회적 유능성 집단 간 유형에 따른 머신러닝 예측모델의 성능은 어떠한가?

연구문제 3

유아의 사회적 유능성을 예측하는 주요 변수는 무엇인가?

Methods

연구대상

본 연구의 대상은 만 3-5세 유아 466명과 그들의 어머니이다. 연구대상 유아의 연령분포는 만 3세 137명(29.4%), 만 4세 159명(34.1%), 만 5세 170명(36.5%)이다. 이중 남아는 199명(42.7%), 여아는 267명(57.3%)으로 여아가 더 많았다. 출생 순위는 외동 134명(28.8%), 첫째 179명(38.4%), 둘째 138명(29.6%), 셋째 이상이 15명(3.2%)으로 나타났다. 어머니의 연령은 절반 이상이 36-40세로 241명(51.7%)이었고, 그 다음으로 31-35세가 109명(23.4%), 41-45세는 88명(18.9%), 30세 이하가 16명(3.4%), 46세 이상은 12명(2.6%)이었다. 어머니의 최종 학력은 대졸이 215명(46.1%)으로 가장 많았고, 전문대졸이 156명(33.4%), 고졸이 78명(16.7%)의 순이었으며, 대학원졸이 17명(3.7%)로 가장 적었다. 어머니의 직업은 절반에 가까운 수가 전업주부로 228명(48.9%)이었으며, 정규 근무직이 173명(37.1%), 파트타임 근무직이 65명(14.0%)의 순이었다.

연구도구

유아의 사회적 유능성

유아의 사회적 유능성은 LaFreniere와 Dumas (1996)의 사회적 유능성과 행동 평정 축소판 (Social Competence and Behavior Evaluation [SCBE-30])을 Y. H. Kwon (2003)이 번안하고, 여기에 Chae (2009)가 쾌활/통합을 평정하는 7문항을 추가하여 내적인 요소와 외적인 요소로 구분한 척도를 사용하였다. 이 척도를 다시 어머니 평정에 적합하도록 수정한 후 아동학 전공 교수 3인의 검토를 거쳐 내용의 타당성을 검증받았다. 총 4개의 하위요인 37문항의 6점 리커트 척도이며, 쾌활/통합과 친사회성은 점수가 높을수록 사회적으로 유능하다고 평가된다. 반면, 우울/고립과 공격성의 점수는 모두 역채점을 하여 점수가 높을수록 낮은 수준의 문제행동을 나타내어 사회적으로 유능성이 높음을 의미한다. 본 연구에서 도구의 전체 신뢰도 Cronbach’s α는 .72이다.

기질 및 성격

유아의 기질 및 성격 유아의 기질과 성격을 평가하기 위하여 한국판 기질 및 성격검사-유아용 (Junior Temperament and Character Inventory 3-6 [JTCI 3-6])을 사용하였다. 기질을 측정하는 4개의 차원인 자극추구(ovelty seeking), 위험회피(harm avoidance), 사회적 민감성(reward dependence), 인내력(persistence)과 성격을 측정하는 3개의 차원인 자율성(self directedness), 연대감(cooperation), 자기초월(self transcendence)로 이루어져 있다. 7개의 기질 및 성격척도가 있으며, 19개의 하위척도를 포함하고 있다. 각 항목의 점수가 높을수록 기질 및 성격적 특성의 수준이 높은 것으로 해석한다. 전체 86문항으로, 5점 리커트 척도이다.

어머니의 기질 및 성격 어머니의 기질 및 성격 측정은 한국판 기질 및 성격검사-성인용 (Temperament and Character Inventory-Revised Short [TCI-RS])을 사용하였다. TCI-RS는 대학생 및 성인이 자기보고식으로 측정하는 검사로 총 140문항으로, 5점 리커트 척도이다. 점수가 높을수록 해당되는 요인의 기질 및 성격적 수준이 높은 것을 의미한다. 유아용 검사처럼 총 7개의 기질 및 성격척도가 있으며, 29개의 하위척도를 포함하고 있다.

유아의 실행기능

유아의 실행기능은 Isquith, Gioia와 Espy (2004)의 척도(Behavior Rating Inventory of Executive Function-Preschool version [BRIEF-P])를 J. Seo (2011)가 번안한 척도를 사용하였다. BRIEF-P는 억제(inhibit), 전환(shift), 감정 조절(emotional control), 작업기억, 계획/조직(plan/organize)의 5가지 하위영역으로 구성되어 있으며, 5점 리커트 척도이다. 점수가 높을수록 실행기능 수준이 낮음을 의미하므로, 점수가 높을수록 실행기능 수준이 높음을 의미하도록 모든 문항을 역채점하였다. 본 연구에서 도구의 전체 신뢰도 Cronbach’s α는 .89이다.

유아의 탄력성

유아의 탄력성은 LeBuffe와 Naglieri (1999)가 만 2-5세 유아를 대상으로 개발한 Devereux Early Childhood Assessment (DECA)를 번안하여 사용한 Jeon (2008)의 척도를 사용하였다. 본 척도는 보호요인(protective factor)인 주도성(initiative), 자기통제(self-control), 애착(attachment)의 3가지 하위척도 27문항과 위험요인(risk factor)인 우려되는 행동(concerned behavior) 10문항의 총 37문항으로 구성되어 있다. 5점 리커트 척도로, 점수가 높을수록 각 항목의 특성이 높음을 의미한다.

어머니의 양육특성

양육경험 어머니의 양육경험에 관한 특성은 Luthar와 Ciciolla (2015)가 개발하고 G. A. Lee, Jeon과 Goh (2019)가 번안하여 사용한 척도를 사용하였다. 어머니의 양육경험과 관련하여 육아에 대한 만족감, 죄책감에 대한 질문으로 구성되어 있다. 육아에 대한 만족감은 8문항, 죄책감은 6문항으로 구성되어 있으며, 5점 리커트 척도이다. 점수가 높을수록 육아에 대한 만족감과 죄책감이 높음을 의미한다. 본 연구에서 도구의 신뢰도 Cronbach’s α는 각 .88, .83이다.

양육스트레스 어머니의 양육스트레스는 K. H. Kim과 Kang (1997)이 개발한 양육스트레스 척도를 바탕으로 수정한 Panel Study on Korea Childen (2015)의 척도를 사용하였다. 총 11문항의 5점 리커트 척도로, 점수가 높을수록 양육스트레스가 높음을 의미한다. 본 연구에서 도구의 신뢰도 Cronbach’s α는 .82이다.

연구절차

자료는 2020년 7월부터 9월에 수집하였다. 표본의 대표성을 고려하여 부산광역시 및 경상남도에 있는 유치원을 임의로 선정하였다. 먼저 유치원에 동의를 구한 후 연구의 목적과 방법을 설명하고 협조를 구했으며, 기관에 재원 중인 유아의 가정으로 연구에 대한 설명 및 동의서를 배포한 뒤 연구에 동의하는 유아와 어머니를 대상으로 종이 검사지와 온라인 설문 링크를 배포하였다. 종이 검사지는 응답 후 밀봉하여 유치원을 통해 회수되었고, 배포된 종이 검사지는 직접 회수하였다. 전체 배포된 설문지 500부 중 480부를 회수하였고, 불성실한 응답을 제거한 후 최종 466부를 분석에 사용하였다.

자료분석

본 연구의 자료처리는 SPSS Win 25.0 (IBM Co., Armonk, NY) 프로그램과 R 3.6.1 (R Development Core Team, 2019) 및 R-Studio 1.2.5033 (RStudio Team, 2015) 환경에서 분석하였으며, 총 3단계에 거쳐 이루어졌다.

첫째, 유아의 사회적 유능성 하위변수에 대한 잠재프로파일분석을 실시하여 사회적 유능성의 잠재계층의 수를 확인하였다. 부트스트래핑 우도비검정(Bootstrap Likelihood Ratio Test [BLRT])을 활용하여 유의성을 검증하였으며, 잠재프로파일분석은 R (version 3.6.1) 환경에서 ‘tidyLPA’ 패키지를 이용하였다.

둘째, 사회적 유능성에 대한 잠재프로파일분석 결과로 도출된 잠재집단 유형을 결과변수로 하는 머신러닝 모델을 구축하고 모델별로 성능평가를 실시하였다. 예측 변수로는 아동의 연령, 성별, 출생순위, 어머니의 연령, 학력, 직업, 유아의 실행기능, 탄력성, 기질 및 성격, 어머니의 기질 및 성격, 양육만족감, 죄책감, 양육스트레스를 선정하였다. 로지스틱 회귀 모델을 참조모델로 하여, 라쏘 로지스틱 회귀, 랜덤 포레스트, 그레디언트-부스티드 의사결정나무의 4개 모델로 머신러닝 모델을 구축하였다. 머신러닝 모델의 과적합(overfitting)으로 인한 오류를 예방하기 위해 하이퍼-파라미터(hyper-parameter)를 확인하였는데, 이는 R 환경에서 ‘glmnet’, ‘caret’ 패키지를 사용하였다. 머신러닝 모델의 성능평가는 caret 패키지를 활용하여 혼동행렬을 산출하고 정확도, 민감도, 특이도를 산출하였다. AUC 값, Delong’s test, 그리고 ROC curve 시각화를 위해 ‘pROC’ 패키지를 활용하였다.

셋째, 머신러닝 모델 중 높은 정확도를 보이는 모델을 선정하여 잠재집단 유형 분류에 기여하는 예측변수의 중요도를 비교하였다. 먼저, 로지스틱 회귀모델에서 예측변수를 표준화값으로 변환한 후 회귀계수 크기를 비교하였다. 다음으로, 4가지 머신러닝 모델 중 예측 성능이 가장 뛰어난 모델을 선택한 후, 가장 중요한 변수의 중요도를 비교하였다.

Results

유아의 사회적 유능성 잠재프로파일 유형과 특성

유아의 사회적 유능성 잠재프로파일 유형

Table 1에서 잠재집단이 2개로 분류될 때 BLRT 검정에서 귀무가설이 기각된다(p < .01). 잠재계층성장분석에서 2개의 잠재 집단으로 분류할 때 AIC(11022), BIC(11142), SABIC(11050)이 값이 가장 작다. 따라서 아동의 사회적 유능성 잠재프로파일 검증에서 정보준거지수가 가장 낮은 2개의 계층 분류가 가장 적합한 모델로 선정되었다.

A Latent Profile Analysis Regarding Social Competence

유아의 사회적 유능성 잠재프로 유형별 특성

2개의 잠재집단을 갖는 모델을 선택하여 유아의 사회적 유능성의 잠재집단 유형별 특성을 살펴보면 Table 2와 같다.

Comparison of Means by Latent Class

전체적인 잠재집단 유형별 특성을 하위변수의 값으로 살펴보면, 전체 아동의 56.4%에 해당하는 계층 2의 경우 사회적 유능성의 내적요인인 쾌활/통합과 우울/불안, 외적요인인 친사회성은 잠재집단 간 평균이 통계적으로 유의하게 낮다. 반면 사회적 유능성의 외적요인인 공격성에서는 집단 간 평균 차이가 유의하게 나타나지 않았다. 그러나 사회적 유능성의 전체 하위변수에서 계층 2가 계층 1보다 평균 점수가 모두 낮음을 알 수 있다. 특히 사회적 유능성의 하위변수 중 내적 요인인 우울/불안이 두 집단의 차이를 가장 많이 보여주는 변수였다.

Figure 1에서 유아의 사회적 유능성은 2개의 계층으로 분류되는데, 특히 사회적 유능성의 하위변수 중 내적 요인인 우울/불안이 두 집단의 차이를 가장 많이 보여주는 변수였다. 2계층의 집단 간 차이에 따라 잠재집단 1은 High Level로 명명하고, 잠재집단 2는 Low Level로 명명하였다.

Figure 1

The sub-variables of social competence by latent class.

머신러닝 모델별 예측력

사회적 유능성 분별모델 성능 평가

유아의 사회적 유능성의 잠재집단을 분별하고 예측하기 위하여 38개의 예측변수를 투입하고 로지스틱 회귀, 라쏘 로지스틱 회귀, 랜점 포레스트, 그레디언트-부스팅 의사결정나무 모델에 투입하였다. 4개의 머신러닝 모델을 개발하고 모델별 성능을 비교한 결과는 Table 3과 같다.

Comparison and Evaluation of the Machine Learning Model’s Performance

유아의 사회적 유능성을 High Level과 Low Level로 분별하는 성능은 로지스틱 회귀, 라쏘 로지스틱 회귀, 랜덤 포레스트, 그레디언트-부스티드 의사결정나무 모델 순서로 민감도(sensitivity)는 전체적으로 80%이상의 양호한 수준의 정확성을 보이며, 특히 랜덤 포레스트 모델이 가장 높다. 일반적으로 출현율이 적을수록 민감도 낮아짐을 고려해 볼 때, 본 연구의 4가지 머신러닝 모델의 정확도는 .72로 허용되는 수준이다. 민감도, 특이도, 정확도 그리고 AUC의 값을 전반적으로 고려해 볼 때, 랜덤 포레스트 모델이 목표 집단의 분별모델로 적합함을 알 수 있다.

Figure 2는 전체 유아에서 사회적 유능성의 Low Level을 분별함에 있어 네 가지 머신러닝 모델의 예측력을 시각적으로 보여주는 ROC curve이다. 네 가지 머신러닝 모델의 커브 아래 면적이 의미하는 것은 AUC로, .8의 예측력을 나타낸다. 참조 모델인 로지스틱 회귀모델에 비해 랜덤 포레스트 모델이 그 면적이 더 크다는 것을 알 수 있다.

Figure 2

The ROC curve of ‘High and Low’ model.

사회적 유능성 예측변수의 상대적 중요도

유아의 사회적 유능성 잠재집단의 유형을 예측하는 변수를 살펴보기 위하여 로지스틱 회귀분석을 실시하였다. 이를 위해 사회적 유능성 High Level을 참조집단으로 하고 사회적 유능성이 낮은 Low Level을 목표집단으로 설정한 후 분석하였다. 참조모델인 로지스틱 회귀 모델에서 예측변수의 회귀계수를 비교하였다. 이 중 .05수준에서 통계적으로 유의하거나, .1 수준에서 유의하여 경향성을 나타내는 변수들에 관한 결과를 다음 Table 4에 제시하였다.

Predictor Coefficients by Social Competence Latent Class

어머니의 학력이 대졸일수록 사회적 유능성이 낮은 집단에 속할 가능성은 0.22배 감소하고(coef = -1.51, p < .01), 전문대졸일수록 그 확률은 0.23배 감소하며(coef = -1.46, p < .01), 고졸일수록 그 가능성은 0.43배 감소한다(coef = -.84, p < .05). 즉, 어머니의 학력 수준이 낮을수록 유아의 사회적 유능성이 낮은 집단에 속할 가능성이 커짐을 의미한다.

유아의 실행기능에서 주의전환이 잘 될수록 사회적 유능성이 낮은 집단에 속할 가능성이 0.48배 감소하고(coef = -.74, p < .05), 유아의 실행기능에서 작업기억이 높을수록 낮은 사회적 유능성 집단에 속할 확률이 0.56배 감소하는 경향성이 있다(coef = .53, p < .1). 유아의 기질에서 위험회피가 높을수록 유아의 사회적 유능성이 낮아질 가능성은 1.70배 증가한다(coef = .53, p < .05). 어머니의 기질에서 역시 위험회피가 높을수록 유아의 사회적 유능성이 낮은 집단에 속할 가능성이 1.47배 커지는 경향성이 있다(coef = .39, p < .1).

Figure 3은 랜덤 포레스트 모델에서 예측변수의 상대적 중요도를 보여주고 있다. 전체 38개의 투입변수 중 20개의 변수만이 유아의 사회적 유능성을 예측하는 변수이다. 랜덤 포레스트 모델에서 예측변수의 상대적 중요도는 가장 기여도가 높은 변수의 중요도를 100으로 가정하고 비교하게 되는데, 유아 기질에 있어 위험회피가 그 중요도가 가장 큰 변수이며, 다음으로 유아의 실행기능 중 주의전환이 중요도가 큰 변수로 나타났다.

Figure 3

The importance of the random forest model.

Discussion

본 연구는 유아의 사회적 유능성 유형을 예측하고 분류하기 위해 잠재계층분석을 통해 유아의 사회적 유능성의 잠재계층 유형을 구분하고, 머신러닝을 활용하여 유아의 사회적 유능성 유형 예측모델을 개발하며 이를 예측하는데 상대적으로 중요한 변수가 무엇인지 살펴보는 데 목적이 있다. 이 연구의 결과를 바탕으로 얻어진 결론은 다음과 같다.

첫째, 유아의 사회적 유능성은 잠재계층분석을 통하여 높은 집단과 낮은 집단의 2개의 유형으로 구분되었다. 사회적 유능성의 4가지 하위영역 중 3가지 영역의 평균은 집단 간 유의한 차이를 보였으며, 사회적 유능성의 잠재계층별 예측변수는 대부분 집단 간 차이를 나타내었다. 이질성에 근거한 유아의 사회적 유능성 잠재계층 유형의 구분은 각 계층의 특성에 따라 적합한 개입을 위한 근거가 되며, 특히 낮은 집단의 유아들에 대한 조기 중재가 필요함을 시사한다.

둘째, 유아의 사회적 유능성 잠재계층 유형에 따라 머신러닝 알고리즘에 투입하여 예측모델별 성능을 확인한 결과 성능이 뛰어난 모델은 랜덤 포레스트 모델이었다. 랜덤 포레스트 모델은 표본의 선정과 변수의 선택 과정에서 무작위성을 최대한으로 높여 분산을 낮추어 예측 오차를 줄일 수 있으므로, 예측의 정확도가 높다 할 수 있다(Dangeti, 2017; Géron, 2017). 그러므로 새로운 유아의 데이터를 활용하여 유아의 사회적 유능성 잠재계층 유형을 예측하고 분류할 때는 랜덤 포레스트 모델을 고려할 필요가 있음을 보여준다. 또한, 개발된 머신러닝 예측모델의 성능이 양호한 수준임을 고려해 볼 때, 본 연구에 투입된 예측변수들은 유아의 사회적 유능성을 예측함에 있어 설명력이 뛰어난 변수임을 확인해준다.

셋째, 유아의 사회적 유능성 유형을 예측하는 가장 중요한 변수는 유아의 기질에 있어 위험회피로 확인되었다. 선행연구들을 살펴보면 기질이 사회적 유능성을 설명하는 주요 변수임을 밝히고 있다(M. S. Choi, 2014; Y. H. Kwon & Park, 2003; H. Y. Min, 2003; H. K. Park, 2018). 유아의 기질에서 활동성이 높을수록 사회적 유능감이 낮아짐을 보고한 E. I. Lee, Choi와 Baek (2019)의 연구결과와 유아가 활동적일수록 사회적 능력에 있어서 협조성과 안정성이 줄어들어 지나친 활동성이 또래 관계에 부작용을 초래함을 밝힌 M. S. Choi (2014)의 연구결과와 맥을 같이 한다. S. M. Lee와 Ha 그리고 Seo (2016)의 연구에서는 유아의 기질에서 위험회피 성향이 높을수록 또래 유능성이 낮음을 보고하고 있으며, K.-N. Seo (2009)의 연구에서 역시 같은 결과를 보고하고 있다. 즉, 불확실하거나 불안감에 대해 두려움이 높고 낯선 사람에 대해 수줍음이 많은 위험회피 성향이 높은 유아들은 사회적 상호작용 상황에서 위축될 가능성을 높여 사회적 유능성이 낮을 수 있음을 의미한다. 따라서 부모나 교사가 유아의 기질적 특성을 잘 관찰하고 파악하여 사회적 유능성 증진을 위한 구체적인 개입이나 교육 등을 통한 지원방안이 마련되어야 할 것을 시사한다.

넷째, 유아의 기질에 있어 위험회피 다음으로 유아의 사회적 유능성 유형을 예측하는 주요 변수는 유아의 실행기능 중 주의전환으로 나타났다. 유아의 실행기능이 또래 유능성에 유의한 영향을 보인다는 선행연구들에서 살펴볼 수 있는데(Hughes, Dunn, & White, 1998; B. Y. Kim, 2016; Kong, 2012), 이러한 연구의 결과들과 유사한 맥락이다. Y.-J. Choi와 Cha (2022)는 유아의 기질과 사회적 유능성의 관계에서 실행기능의 매개효과를 검증한 연구에서 실행기능이 부분 매개효과가 있는 것으로 보고하고 있다. 또한, 실행기능이 우수한 유아는 자신의 사고와 행동을 통제할 수 있는 능력을 바탕으로 또래와의 관계에서 적응적 행동이 가능하다는 Shin 등(2017)의 연구결과는 본 연구의 결과를 뒷받침한다. 환경의 변화와 요구에 따라 문제를 유연하게 해결하고 전환하는 능력인 주의전환은 융통성 있게 문제를 해결하고 주의나 초점을 바꾸는 등의 전략을 통해 사회적 관계를 긍정적으로 이끌어 가는 데 도움이 됨을 시사한다.

이상의 결론을 내리면서 다음과 같이 본 연구의 제한점과 후속연구를 위한 제언을 하고자 한다. 먼저 본 연구는 빅데이터를 기반으로 한 머신러닝 기법을 활용하여 예측모델을 개발하였지만, 수집된 데이터의 수는 약 470부가량으로 그 수량이 많지 않다. 따라서 표집의 범위를 넓히거나 국가에서 구축하고 있는 패널 데이터 등을 활용한다면 유아의 사회적 유능성 유형의 분별과 예측 가능성은 더욱 높아질 수 있을 것이다. 둘째, 유아의 사회적 유능성을 예측할 수 있는 변인으로 유아의 유아와 어머니의 기질 및 성격, 유아의 실행기능, 유아의 탄력성, 어머니의 양육특성 등만을 조사하였으나, 더 다양한 개인적 요인과 환경적 요인을 투입하여 연구할 필요가 있다. 셋째, 본 연구에서 사용된 모든 변인의 측정은 어머니 보고에 의한 결과이며, 유아와 어머니에 대한 자료만을 수집하여 분석하였다. 그러므로 아버지의 영향이나 가족의 환경적 측면에 대한 고려가 부족하다 하겠다. 따라서 추후 연구에서는 아버지의 특성, 가족의 환경적 특성 및 기관 특성 등 유아를 둘러싼 환경적 측면의 추가적 자료로 연구를 수행한다면 더욱 의미 있는 결과를 도출할 수 있을 것이다.

이와 같은 제한점에도 불구하고 본 연구는 다음과 같은 몇 가지 의의가 있다. 첫째, 본 연구는 유아의 사회적 유능성과 관련하여 변인 간의 관계에 초점을 맞추었던 선행연구들과는 달리 사람 중심적 접근을 통해 유아의 사회적 유능성의 잠재계층을 규명하였음에 의의가 있다. 둘째, 본 연구는 유아의 사회적 유능성 유형을 예측하는데 중요한 변수들을 밝혔다. 따라서 본 연구의 결과는 현장에서 유아의 사회적 유능성 발달수준을 예측하고 분별함에 있어 유용한 결과를 보여주었다고 하겠다. 셋째, 유아 기질의 위험회피와 실행기능의 주의전환이 유아의 사회적 유능성 잠재계층 유형을 예측하는 중요한 변수임이 확인되었다. 이러한 결과는 유아의 사회적 유능성 발달을 위한 지원에 있어, 유아의 개별적 특성에 대한 이해와 함께 사회화 과정에서 유아에게 영향을 미치는 환경적 특성을 모두 고려하는 것에 대한 중요성을 함의한다. 마지막으로, 본 연구는 머신러닝이라는 최신의 기법을 적용하여 유아의 사회적 유능성 유형을 예측하였다. 영유아 발달 및 아동학 관련 분야에서 머신러닝 기법을 적용한 연구는 거의 없다. 따라서 머신러닝 기법을 적용하여 유아의 발달적 측면을 예측하고 분별하는 연구의 기반을 마련하였으며, 이를 통해 유아의 사회적 유능성뿐 아니라 유아의 다양한 발달적 측면을 예측하고 분별할 수 있다는 가능성을 제시하였다는 점에서 의의가 있다.

Acknowledgements

This study was supported by the 2021 research grant of the Korean Association of Child Studies.

Notes

This article was presented at the 2022 Annual Spring Academic Conference of the Korean Association of Child Studies.

Conflict of Interest

No potential conflict of interest relevant to this article was reported.

References

Ambili K., Afsar P.. 2016;A framework for child development analysis and learning disability prediction using a hybrid naive bayes and decision tree fusion technique-NB tree. International Journal of Innovative Research in Science, Engineering and Technology 5(7):13801–13807. doi:10.15680/IJIRSET.2016.0507200.
Anderson V., Beauchamp M.. 2012. Developmental social neuroscience and childhood brain insult: Theory and practice New York: Guilford Press.
Anthony L. G., Anthony B. J., Glanville D. N., Naiman D. Q., Waanders C., Shaffer S.. 2005;The relationships between parenting stress, parenting behaviour and preschoolers’ social competence and behaviour problems in the classroom. Infant and Child Development 14(2):133–154. doi:10.1002/icd.385.
Belsky J.. 1984;The determinants of parenting: A process model. Child Development 55(1):83–96. doi:10.2307/1129836.
Carlson S. M., Moses L. J.. 2001;Individual differences in inhibitory control and children’s theory of mind. Child Development 72(4):1032–1053. doi:10.1111/1467-8624.00333.
Crick N. R.. 1996;The role of overt aggression, relational aggression, and prosocial behavior in the prediction of children’s future social adjustment. Child Development 67(5):2317–2327. doi:10.1111/j.1467-8624.1996.tb01859.x.
Dangeti P.. 2017. Statistics for Machine Learning Birmingham, UK: Packt.
Denham S. A.. 2006;Social-emotional competence as support for school readiness: What is it and how do we assess it. Early Education and Development 17(1):57–89. doi:10.1207/s15566935eed1701_4.
Denham S. A., Burton R.. 2003. Social and emotional prevention and intervention programming for preschoolers New York: Academic/Plenum.
Géron A.. 2017. Hands-on machine learning with scikit-learn and tensorflow: Concepts, tools, and techniques to build intelligent systems Sebastopol, CA: O’Reilly Media.
Goodfellow D., Zhi R., Funke R., Pulido J. C., Mataric M., Smith B. A.. 2018. August. Predicting infant motor development status using day long movement data from wearable sensors London, UK: KDD18.
Hughes C., Dunn J., White A.. 1998;Trick or treat? Un even understanding of mind and emotion and executive dysfunction in “hard-to-manage” preschoolers. Journal of Child Psychology and Psychiatry anf Allied Disciplines 39(7):981–994. doi:10.1111/1469-7610.00401.
Isquith P. K., Gioia G. A., Espy K. A.. 2004;Executive function in preschool children: Examination through everyday behavior. Developmental Neuropsychology 26(1):403–422.
Katz, L. G., & McCellan, D. (1992). The teacher’s assessing the social development of young children. Retrieved from ERIC document. (ED346988).
Kupersmidt J. B., Coie J. D.. 1990;Preadolescent peer status, aggression, and school adjustment as predictors of externalizing problems in adolescence. Child Development 61(5):1350–1362. doi:10.1111/j.1467-8624.1990.tb02866.x.
LaFreniere P. J., Dumas J. E.. 1996;Social competence and behavior evaluation in children ages 3 to 6 years: The short form (SCBE-30). Psychological Assessment 8(4):369–377. doi:10.1037/1040-3590.8.4.369.
Lantz B.. 2013. Machine learning with R Birmingham, UK: Packt.
LeBuffe P. A., Naglieri J. A.. 1999;The Devereux Early Childhood Assessment (DECA): A measure of within-child protective factors in preschool children. NHSA Dialog 3(1):75–80. doi:10.1207/s19309325nhsa0301_10.
Lee S. H., Maenner M. J., Heilig C. M.. 2019;A comparison of machine learning algorithms for the surveillance of autism spectrum disorder. PLoS ONE 14(9):e0222907. doi:10.1371/journal.pone.0222907.
Luciana M.. 2013;Adolescent brain development in normality and psychopathology. Development and Psychopathology 25(402):1325–1345. doi:10.1017/S0954579413000643.
Luthar S. S.. 1991;Vulnerability and Resilience: A study of high‐risk adolescents. Child Development 62(3):600–616. doi:10.1111/j.1467-8624.1991.tb01555.x.
Luthar S. S., Ciciolla L.. 2015;Who mothers mommy? Factors that contribute to mother’s well-being. Development Psychology 51(12):1812–1823. doi:10.1037/dev0000051.
Parker J. G., Asher S. R.. 1987;Peer relations and later personal adjustment: Are low-accepted children at risk. Psychological Bulletin 102(3):357–389. doi:10.1037/0033-2909.102.3.357.
Perron B. E., Victor B. G., Bushman G., Moore A., Ryan J. P., Lu A. J., Piellusch E. K.. 2019;Detecting substancerelated problems in narrative investigation summaries of child abuse and neglect using text mining and machine learning. Child Abuse & Neglect 98:104180. doi:10.1016/j.chiabu.2019.104180.
R Development Core Team. (2019). R: A language and environment for statistical computing [Computer software]. Vienna, Austria: R Foundation for Statistical Computing. Retrieved from http://www.R-project.org.
RStudio Team. (2015). RStudio: Integrated development environment for R. Boston, MA: RStudio. Retrieved from http://www.rstudio.com.
Taylor S., Battis C., Carnochan S., Henry C., Balk M., Austin M. J.. 2019;Exploring trauma-informed practice in public child welfare through qualitative data-mining of case records. Journal of Public Child Welfare 13(3):325–344. doi:10.1080/15548732.2018.1500967.
Walker S., Berthelsen D., Irving K.. 2001;Temperament and peer acceptance in early childhood: Sex and social status differences. Child Study Journal 31:177–192.
Yates T. M., Egeland B., Sroufe L. A.. 2003. Rethinking resilience: A developmental process perspective. In : Luthar S. S., ed. Resilience and vulnerability: Adaptation in the context of childhood adversities p. 243–266. Cambridge, UK: Cambridge University Press.
Zelazo P. D., Müller U.. 2002. Executive function in typical and atypical development. In : Goswami U., ed. Handbook of childhood cognitive development p. 445–469. Oxford, UK: Blackwell.
Chae J.-Y.. 2009. Influences of fathers’ attachment representations and parenting behaviors on preschoolers’ attachment representations and social competence (Doctoral dissertation). Retrieved from http://www.riss.kr/link?id=T11809337.
Cho A.-M., Shin T.-S.. 2012;The participation types and levels of youth activity, and the analysis of characters based on growth mixture modeling. Studies on Korean Youth 23(2):161–184.
Choi M. S.. 2014;A short-term longitudinal approach to children’s social competence: Effect of temperament and teacher-child relationship. The Journal of Eco Early Childhood Education & Care 13(1):221–240.
Choi Y.-J., Cha M.. 2022;The mediating effect of young children’s executive function on the relationship between temperament and social competence. Journal of Early Childhood Education & Educare Welfare 26(1):121–145. doi:10.22590/ecee.2022.26.1.121.
Goh E.-K.. 2020a;Application of machine learning algorithm to predict happiness of elementary 3rd graders in Korea. Journal of Learner-Centered Curriculum and Instruction 20(13):1113–1128. doi:10.22251/jlcci.2020.20.13.1113.
Goh E.-K.. 2020b;Investigating predictors of the longitudinal type of academic performance during the lower grades of elementary school using latent class growth analysis and machine learning. Journal of Learner-Centered Curriculum and Instruction 20(18):1211–1230. doi:10.22251/jlcci.2020.20.18.1211.
Goh E. K., Jeon H. J.. 2020;Investigating predictors of first graders’ school adjustment in Korean elementary school using latent profile analysis and machine learning. Korean Journal of Child Studies 41(4):75–90. doi:10.5723/kjcs.2020.41.4.75.
Jeon E. H.. 2008. The relationship between mother-child interaction and resilience of young children (Doctoral dissertation). Retrieved from http://www.riss.kr/link?id=T11380986.
Kim B., Cho A.. 2013;The types and characteristics of school dropouts: A latent class analysis approach. Studies on Korean Youth 24(3):5–31.
Kim B. Y.. 2016;The effect of children’s executive function, self-esteem and emotional intelligence on peer competence. Early Childhood Education & Care 11(3):29–51. doi:10.16978/ecec.2016.11.3.002.
Kim K. H., Kang H. K.. 1997;Development of the parenting stress scale. Journal of the Korean Home Economics Association 35(5):141–150.
Kim M. J.. 2013;The relationship between teacher-child relationship perceived by teacher and social competence of young children. Korean Journal of Early Childhood Education Research 15(1):137–163.
Kim S.-H., Bae Y. M.. 2016;The Relationship between parenting attitude and their children’s peer competence: The moderating role of young children’s self-regulation. Early Childhood Education Research & Review 20(2):471–494.
Kong Y. S.. 2012. The effect of preschooler’s temperament and maternal parenting attitude on preschooler’s problem and prosocial behavior-Focusing on the mediating effect of executive function (Doctoral dissertation). Retrieved from http://www.riss.kr/link?id=T12699288.
Kim Y. S., Lee S.. 2015;The effects of general characteristics, maternal parenting behaviors and children’s self-control ability on the social competence of children. Korean Journal of Child Studies 36(1):163–185. doi:10.5723/KJCS.2015.36.1.163.
Kwon Y. H.. 2003. Children’s social competence: Effects of emotionality, interpersonal problem solving strategies, and maternal behaviors during mother-child interaction (Doctoral dissertation). Retrieved from http://www.riss.kr/link?id=T8607393.
Kwon Y. H., Park K. J.. 2003;Effects of emotionality, interpersonal problem solving strategies, and maternal behaviors on children’s social competence. Korean Journal of Child Studies 24(3):27–44.
Lee E. I., Choi K. S., Baek H. G.. 2019;The effects of young children’s sex distinction, temperaments and playfulness on social competence. Journal of Korean Coaching Research 12(4):215–230. doi:10.20325/KCA.2019.12.4.215.
Lee G. A.. 2021. Developing the Prediction Model for Children’s Executive Function Using Machine Learning (Doctoral dissertation). Retrieved from http://www.riss.kr/link?id=T15765496.
Lee G. A., Jeon H. J., Goh E. K.. 2019;Influencing factors on parenting stress of mothers with infant children. Journal of Learner-Centered Curriculum and Instruction 19(17):1211–1227. doi:10.22251/jlcci.2019.19.17.1211.
Lee S. M., Ha J. Y., Seo S. J.. 2016;Influences of temperament on peer social competence in preschool children: A mediational effect of maternal emotion expressivity. Journal of Future Early Childhood Education 23(2):277–298.
Lew K.-H., Kang S.-M.. 2013;A Structural analysis of the variables on preschooler’s creative environment, self-esteem and peer competence. Journal of Future Early Childhood Education 20(1):419–436.
Lim H. J.. 2018;A study of the effects of children’s variables, family interaction variables, and parenting variables on children’s social competence. Journal of Future Early Childhood Education 25(1):183–206. doi:10.22155/JFECE.25.1.183.206.
Min B. B., Oh H. S., Lee J. Y.. 2007. Temperament and Character Inventory-family manual Seoul: Maumsarang.
Min H. Y.. 2003;A Study of relationship among divergent thinking, affective temperament, and social development of young children. Journal of Future Early Childhood Education 10(2):261–279.
NamKung Y.. 2015;Effect of maternal beliefs on young children’s social competence: The mediating effect of their resilience. Korean Journal of Early Childhood Education 35(6):49–74. doi:10.18023/kjece.2015.35.6.003.
Panel Study on Korean Children. (2015). Panel study of Korean children 8th survey [Data file and codebook]. Retrieved from https://panel.kicce.re.kr/panel/module/rawDataManage/index.do.
Park H. K.. 2018. The effect of young children’s temperament and attachment security on social competence (Master’s thesis). Retrieved from http://www.riss.kr/link?id=T14722149.
Park H.-S., Kim J.-J.. 2015;The effects of family strengths on teacher-child relationships and peer competence of young children, with particular focus on the mediating effects of mother’s parental efficacy and children’s resilience. The Journal of Korea Open Association for Early Childhood Education 20(4):1–26.
Seo J.. 2011. The effects of executive function of children on emotional Intelligence: A comparison between normal children and children with attention problems (Master’s thesis). Retrieved from http://www.riss.kr/link?id=T12322340.
Seo K.-N.. 2009. A study on variables related to leadership of young children: Focused on individual variables and environmental variables (Doctoral dissertation). Retrieved from http://www.riss.kr/link?id=T11543214.
Shin N., Park B., Kim M., Yun K., Yoon S.-Y.. 2017;Relationships among sleep problems, executive function and social behavior during the preschool period. Korean Journal of Child Studies 38(3):33–48. doi:10.5723/kjcs.2017.38.3.33.
Yun E. H.. 2014. The impact of child’s sociability by mother’s experience in the family of origin-Focus on mmediating effect of rearing attitude- (Master’s thesis). Retrieved from http://www.riss.kr/link?id=T13576647.

Article information Continued

Figure 1

The sub-variables of social competence by latent class.

Figure 2

The ROC curve of ‘High and Low’ model.

Figure 3

The importance of the random forest model.

Table 1

A Latent Profile Analysis Regarding Social Competence

Number of calss Log likelihood AIC BIC KIC SABIC BLRT Latent class distribution rate (%)
1 2 3 4
1 -5508 11045 11103 11062 11058 100
2 -5482 11022 11142 11054 11050 52.9** 43.6 56.4
3 -5473 11033 11216 11080 11076 18.6 16.5 37.1 46.4
4 -5452 11022 11267 11084 11079 41.3 19.1 24.7 15.2 41.0

Note. N = 466. AIC = akaike information criterion, BIC = bayesian information criterion, KIC = kashyap information criterion, SABIC = sample-size adjusted bayesian information criterion, BRLT = bootstrap likehood ratio test.

**

p < .01.

Table 2

Comparison of Means by Latent Class

Variable Class n M SD t
Internal factors Joy/collaboration 1 203 .31 .85 6.21***
2 263 -.24 1.04
Anxiety/Withdrawal 1 203 .82 .54 6.02***
2 263 -.63 .80
External factors Social competence 1 203 .31 1.09 23.30***
2 263 -.24 .58
Anger/Agression 1 203 .08 1.09 1.43
2 263 -.06 .93

Note. N = 466. 1 = high level, 2 = low level.

***

p < .001.

Table 3

Comparison and Evaluation of the Machine Learning Model’s Performance

Model Accuracy (95% CI) Sensitivity (95% CI) Specificity (95% CI) AUC (95% CI) p
Logistic .72 (.63~.79) .85 (.75~.93) .57 (.44~.70) .77 (.68~.85) Reference
Lasso logistic .71 (.62~.78) .81 (.70~.89) .59 (.46~.71) .78 (.70~.86) .35
Random forest .72 (.64~.80) .87 (.76~.94) .56 (.42~.68) .81 (.74~.89) .20
Gradient boosting .74 (.66~.82) .82 (.71~.91) .66 (.52~.77) .77 (.70~.85) .86

Note. AUC = area under the ROC curve; p = significance level of Delong’s test.

**

p < .01.

Table 4

Predictor Coefficients by Social Competence Latent Class

Variable coef OR p McFadden’s
C-temperament(harm avoidance) .53 1.70 .030 .28
M-temperament(harm avoidance) .39 1.47 .087
C-Executive Function(working memory) -.59 0.56 .096
C-Executive Function(shift) -.74 0.48 .010
M-Education(high school) -.84 0.43 .047
M-Education(associate degree) -1.46 0.23 .005
M-Education(bachelor degree) -1.51 0.22 .005

Note. N = 466. coef = regression coefficient of the variable; OR = odds ratio; C = children; M = mother.