Earticle

연구목적: 본 논문은 사회재난 및 안전사고 발생에 따른 재난 유형별 조사 분석 정보에 대한 공통 데이 터 도출과 머신 러닝 기반 사고 예측을 지원하는 특성화 데이터를 통합한 사회재난 및 안전사고 데이터 셋 구조를 도출하는 연구에 초점을 맞추었다. 연구방법: 기존 조사 분석 보고서의 사고 분류, 원인, 피해 등을 표시할 수 있는 데이터를 중심으로 머신 러닝에 활용할 수 있는 특성화 데이터 도출과 이에 대한 XML 기반의 표준 체계를 도출한다. 연구결과: XML 기반의 표준 스키마 도출과 사례 제시를 하였다. 결론: 본 논문에서 도출된 표준안을 사회재난 및 안전사고 데이터셋 구축에 활용하고, 이를 기반으로 여 러 분야에서 재난 사고 및 안전의 위험을 예측할 수 있는 응용 기술을 개발할 수 있게 지원한다.

Purpose: In this paper, we propose a common dataset structure which includes the incidents investigation information and features data for machine learning. Most of the data is from the incidents reports of the governmental part and restricts on the social disaster and safety areas. Method: Firstly, we extract basic incidents data from the several incident investigation reports. The data includes the cause, damage, date, classification of the incidents and additionally considers the feature data for the machine learning. All data is represented by XML standard notation. Result: We defined the standard XML schema and the example for the incidents investigation information. Conclusion: We defined the common incidents dataset structure for the machine learning. It may play roles of the common infrastructure for the disaster and safety applications areas

최근 4차 산업혁명의 핵심이 되는 드론은 기술의 발달로 그 활용 범위가 점점 넓어지고 많은 드 론들이 작업 현장에 투입되고 있다. 하지만 드론의 추락에 대한 안전성 문제에 대해서는 특별한 이상 감지 시스템이 없기 때문에 항상 추락에 따른 위험에 노출되고 있다. 따라서 본 논문은 이러한 드론 의 추락과 관련된 문제점을 해결하고자 드론 고장 원인 중 빈도수가 가장 높은 모터의 비정상적인 행 동을 RNN( Recurrent Neural Network) 기술의 일종인 LSTM(Long Short-Term Memory)을 통 해 예측하고 추락을 방지하는 알고리즘을 제안하였다. 본 논문은 드론의 모터 진동을 실시간으로 수 집하여 모터의 비정상적인 행동을 예측하는 알고리즘을 제안하고 성능을 평가하였다.

Drones are the core of the 4th industrial revolution in recent years, are increasingly being utilized by the development of technology, and many drones are being used at work sites. However, since there is no special abnormality detection system for the safety problem of a drone's fall, it is always exposed to the risk of a fall. Therefore, this paper proposes an algorithm that predicts the abnormal behavior of the motor with the highest frequency among the causes of drone failures through Long Short-Term Memory (LSTM), a kind of RNN technology, and prevents the fall. This paper proposes an algorithm that predicts the abnormal behavior of a motor by collecting the motor vibration of a drone in real time and evaluates its performance.

Purpose: Radiation-induced dermatitis (RD) is a common side-effect of therapeutic ionizing radiation that can severely affect patient quality of life. This study aimed to develop a risk prediction model for the occurrence of RD in patients with cervical carcinoma undergoing chemoradiotherapy using electronic medical records (EMRs). Methods: Using EMRs, the clinical data of patients who underwent simultaneous radiotherapy and chemotherapy at a tertiary cancer hospital between 2017 and 2022 were retrospectively collected, and the patients were divided into two groups: a training group and a validation group. A predictive model was constructed to predict the development of RD in patients who underwent concurrent radiotherapy and chemotherapy for cervical cancer. Finally, the model's efficacy was validated using a receiver operating characteristic curve. Results: The incidence of radiation dermatitis was 89.5% (560/626) in the entire cohort, 88.6% (388/438) in the training group, and 91.5% (172/188) in the experimental group. The nomogram was established based on the following factors: age, the days between the beginning and conclusion of radiotherapy, the serum albumin after chemoradiotherapy, the use of single or multiple drugs for concurrent chemotherapy, and the total dose of afterloading radiotherapy. Internal and external verification indicated that the model had good discriminatory ability. Overall, the model achieved an area under the receiver operating characteristic curve of .66. Conclusions: The risk of RD in patients with cervical carcinoma undergoing chemoradiotherapy is high. A risk prediction model can be developed for RD in cervical carcinoma patients undergoing chemoradiotherapy, based on over 5 years of EMR data from a tertiary cancer hospital.

Purpose: Developing a risk prediction model for invasive fungal disease based on an analysis of the disease-related risk factors in critically ill patients in the intensive care unit (ICU) to diagnose the invasive fungal disease in the early stages and determine the time of initiating early antifungal treatment. Methods: Data were collected retrospectively from 141 critically ill adult patients with at least 4 days of general ICU stay at Sun Yat-sen Memorial Hospital, Sun Yat-sen University during the period from February 2015 to February 2016. Logistic regression was used to develop the risk prediction model. Discriminative power was evaluated by the area under the receiver operating characteristics (ROC) curve (AUC). Results: Sequential organ failure assessment (SOFA) score, antibiotic treatment period, and positive culture of Candida albicans other than normally sterile sites are the three predictors of invasive fungal disease in critically ill patients in the ICU. The model performs well with an ROC-AUC of .73. Conclusion: The risk prediction model performs well to discriminate between critically ill patients with or without invasive fungal disease. Physicians could use this prediction model for early diagnosis of invasive fungal disease and determination of the time to start early antifungal treatment of critically ill patients in the ICU.

High-risk pregnancy endangers both mother and baby, with one maternal death every two minutes in 2023. This study has proposed three Gradient Boosting models?GB-Base, GB-SMOTE, and ZOA-GB?using the West Lombok Pregnancy Risk Prediction Dataset. GB-Base and GB-SMOTE have achieved 90.46% and 90.28% accuracy, while ZOA-GB, using 10 selected features, has reached 88.89%. GB-SMOTE has shown the best performance with an F-score of 84.41%. SHAP has identified Maternal Age, Hemoglobin, and Parity as key features, and DiCE has validated feature-driven prediction control. The study is limited by a single-source dataset, the absence of external-validation, and unexplored optimizers.

Purpose: This study aimed to identify the risk factors of carbapenem-resistant Enterobacteriaceae (CRE) acquisition to build a nomogram for CRE acquisition risk prediction and evaluate its performance. Methods: This unmatched case-control study included 352 adult patients (55 patients and 297 controls) admitted to the intensive care unit (ICU) of a 453-bed secondary referral hospital between January 1, 2018, and September 31, 2019, in Busan, South Korea. The nomogram was built with the identified risk factors using multiple logistic regression analysis. Its performance was analyzed using calibration-in-thelarge, the slope of the calibration plot, concordance statistic (c-statistic), and the sensitivity and specificity of the training set, subsets, and a new test set. Results: The risk factors of CRE acquisition among ICU patients at a secondary referral hospital were Acute Physiology and Chronic Health Evaluation II score at the time of admission, use of a central venous catheter and a nasogastric tube, as well as use of cephalosporin antibiotics. At 20.0% of the predicted CRE acquisition risk in the training set, the calibration-in-the-large was 0, slope of the calibration plot was 1, c-statistic was .93, sensitivity was 85.5%, and specificity was 84.8%. The performance was relatively good in the subsets and new test set. Conclusion: The nomogram can be used to monitor the CRE acquisition risk for ICU patients who have a similar case mix to patients in the study hospitals. Future studies need to involve more rigorous methodology and larger samples.

Addressing imbalanced data is essential for accurate prediction. We propose a novel ensemble method of XGBoost and deep Q-learning networks (DQN) for pregnancy risk prediction. First, we train the majority class utilizing XGBoost. We subsequently utilize DQN to train the minority class into binary classifications. Finally, we use the trained models from DQN and XGBoost in ensemble learning to generate the final classification results. The XGBoost-DQN model achieves high performance with 0.9819 in precision, recall, F1-score, and accuracy, outperforming several baseline classifiers on private data from 5313 pregnant women in Indonesia and showing superior results on public datasets.

Objective: To develop and validate a clinically actionable prediction model for postoperative pulmonary complications (PPCs) in cardiac surgery patients, focusing on modifiable preoperative risk factors amenable to targeted optimization.Methods: In this prospective observational cohort study, 492 adults undergoing open-chest cardiac surgery between August 15, 2023 and December 31, 2023 were analyzed. Prespecified predictors included gas exchange variables, pulmonary function, inspiratory muscle strength, and physical performance. Univariable and multivariable logistic regression analyses were used to develop the prediction model. Discrimination was assessed by the area under the receiver operating characteristic curve (AUC).Results: A total of 90 patients (14.1%) developed PPCs after surgery. Five independent predictors were identified: elevated arterial PaCO2 (odds ratio [OR] 1.12, 95% confidence interval [CI] 1.00?1.26), oxygen desaturation (SpO2<93%) (OR 12.47, 95% CI 3.51?48.13), reduced gait speed (OR 0.17, 95% CI 0.04?0.71), lower FEV1/FVC ratio (OR 0.96, 95% CI 0.92?1.00), and diminished inspiratory muscle strength (MIP % predicted) (OR 0.96, 95% CI 0.92?0.99). The model demonstrated good discriminative ability with an AUC of 0.86 (95% CI 0.80?0.93) in the training cohort and 0.87 (95% CI 0.74?0.93) in the validation cohort.Conclusion: This parsimonious model achieved high predictive accuracy using five modifiable physiological variables. By targeting abnormalities in gas exchange, pulmonary mechanics, muscle strength, and functional reserve, the model offers a practical tool to guide individualized prehabilitation strategies for reducing PPC risk in cardiac surgery patients.

본 연구는 건설 현장 응급 구조 센터 기록을 활용하여 작업 관련 특성을 기반으로 건설 현장 근로자의 응급 손상 위험을 예측하는 모델을 개발하는 것을 목적으로 하였다. 건설 현장은 직업 재해 발생률이 높고, 특히 응급 상황 발생 시 비의료진이 초기 대응을 담당하는 경우가 많아 고위험 환경으로 인식되고 있다. 따라서 부상 패턴과 고위험 조건을 파악하는 것은 현장 응급 대응 시스템 개선에 필수적이다. 이에 연구는 건설현장 근로자의 손상 기록을 활용하여 손상 중증도와 필요한 의료 처치를 기준으로 저위험군과 고위험군으로 분류하여 다변량 로지스틱 회귀 분석을 통해 고위험 손상과 관련된 요인을 파악하였다. 연구의 결과는 작업 특성에 기반한 위험 예측을 통하여 건설 현장에서의 맞춤형 응급처치 교육, 고위험 작업자 관리 및 현장 응급 대응 전략 등과 같은 정책적 개선 방향을 제안하는 근거 자료로 활용될 수 있을 것이다.

This study aimed to develop a risk prediction model for emergency injuries among construction workers based on work-related characteristics using records from on-site emergency rescue centers. Construction sites represent high-risk occupational environments, where initial emergency responses are frequently performed by non-medical personnel. Accordingly, systematically identifying injury patterns and high-risk conditions is essential for improving on-site emergency response systems. In this study, injury records were classified into low-risk and high-risk groups according to injury severity and the level of medical intervention required. Multivariable logistic regression analysis was conducted to identify factors associated with high-risk injuries. The findings demonstrate the feasibility of predicting emergency injury risk using routinely available work-related information and provide an empirical basis for policy-level improvements, including the development of tailored first-aid training programs, targeted management of high-risk worker groups, optimized deployment of emergency response personnel, and prevention-oriented crisis management strategies in construction settings.

본 연구에서는, 천연가스(NG) 데이터와 가스 관련 환경 요소 간의 관계를 기계학습 알고리즘을 사용하여 가스 누출 데이터를 직접 측정하지 않고 가스 누출 위험 수준을 예측하였다. 이번 연구는 서버가 제공하는 오픈 데이터인 IoT 기반 원격 제어 피카로(Picarro) 가스 센서 사양을 기반으로 사용했다. 천연 가스는 공기 중으로 누출이 되며, 대기 오염, 환경, 그리고 건강에 큰 문제가 된다. 본 연구에서 제안하는 방법은 천연 가스의 누출 위험 예측을 위한 랜덤 포레스트(Random Forest) 분류 기반 다변량 특이치 제거 방법이다. 비지도 k-평균 클러스터링 후에 실험 데이 터 집합은 불균형 데이터이다. 따라서 우리는 제안된 모델이 중간과 높은 위험 수준을 가장 잘 예측할 수 있다는 점에 초점을 맞춘다. 이 경우 각 분류 모델에 대한 수신자 조작 특성(ROC) 곡선, 정확도, 평균 표준 오차(MSE)를 비교했다. 실험 결과로 정확도, 수신자 조작 특성의 곡선 아래 영역(AUC, Area Under the ROC Curve), MSE가 각각 MOL_RF 의 경우 99.71%, 99.57%, 및 0.0016의 결과 값을 얻었다.

In this study, the relationship between natural gas (NG) data and gas-related environmental elements was performed using machine learning algorithms to predict the level of gas leakage risk without directly measuring gas leakage data. The study was based on open data provided by the server using the IoT-based remote control Picarro gas sensor specification. The naturel gas leaks into the air, it is a big problem for air pollution, environment and the health. The proposed method is multivariate outlier removing method based Random Forest (RF) classification for predicting risk of NG leak. After, unsupervised k-means clustering, the experimental dataset has done imbalanced data. Therefore, we focusing our proposed models can predict medium and high risk so best. In this case, we compared the receiver operating characteristic (ROC) curve, accuracy, area under the ROC curve (AUC), and mean standard error (MSE) for each classification model. As a result of our experiments, the evaluation measurements include accuracy, area under the ROC curve (AUC), and MSE; 99.71%, 99.57%, and 0.0016 for MOL_RF respectively.

Managers, stockholders, lenders and employees concern about their firm’s financial condition. This shared interest creates continual inquiries and recurrent attempt to answer the incessant question about how we predict financial distress or what reveals the credit risk of firms. Despite numerous attempts for bankruptcy prediction and their application over three decades after Altman (1968)’s seminal study, financial distress prediction research has not seemed to reach an unequivocal conclusion. We investigated our postulations concerning Altman’s Z-score and the option-based measure based on arguments that the Z-score should lose its significance since its introduction due to some reasons. Based on our results, we learned that Altman’s Z-score loses its significance as a bankruptcy prediction measure due to two possible grounds; it loses its prediction power for long-term prediction and it was not significance for recent years’ data. In addition, we found that the option-based measure does provide significant results as a prediction measure for later years. We believe that the reduction of prediction time span of Z-score and better performance of the option-based measure implies that the more efficient market shortens the information transition time in the market so that bankruptcy prediction should be based on immediate and continuously changing information about the event and discrete or sporadic variables would mislay the interpretation of information concerning bankruptcy.

본 연구는 건설 현장의 CCTV를 활용한 실시간 침수 예측 시스템을 개발하는 것을 목표로 한다. CCTV로부터 침수 깊이를 추정하기 위한 모델을 구축하고, 추정된 침수 깊이를 관측 데이터와 비교하 여 성능을 검증하였다. 분석 결과 높은 상관관계(R2 = 0.99)와 약 3cm의 RMSE를 보여 정량적 침수 모니터링에 CCTV를 활용할 수 있는 가능성을 확인했다. 또한, 취약 지역에 대한 실시간 침수 예측 방법을 제안했으며 XP SWMM 시뮬레이션에서 도출된 침수 특성을 활용하여 ANN(인공 신경망)과 CNN(합성곱 신경망)을 기반으로 한 모델을 학습시켰다. 모델의 성능은 평균 절대 백분율 오차 (MAPE)를 사용하여 평가되었으며, 전체 평균 오차율은 침수면적 예측에서 8.89%, 그리드 기반 침수 깊이 예측에서 19.49%가 나타났다. 향후 연구는 실시간 CCTV 침수 모니터링과 AI 모델을 통합하여 예측 정확도를 높일 수 있을 것이라 판단된다.

This study aims to develop a real-time inundation prediction system using CCTV at construction sites. A model was established to estimate inundation depth from CCTV, and its performance was validated by comparing the estimated inundation depth with observed data. The results demonstrated a high correlation (R2 = 0.99) and an RMSE of approximately 3 cm, confirming the feasibility of using CCTV for quantitative inundation monitoring. Furthermore, a real-time inundation prediction method for vulnerable areas was proposed. inundation characteristics derived from XP SWMM simulations were used to train a model based on ANN (Artificial Neural Networks) and CNN (Convolutional Neural Networks). The model's performance was evaluated using the Mean Absolute Percentage Error (MAPE), with overall average error rates of 8.89% for inundation area predictions and 19.49% for grid-based inundation depth predictions. Future efforts will focus on integrating real-time CCTV inundation monitoring with the AI model to enhance its predictive accuracy.

본 보고에서는 강우에 의한 대규모 노천광산 사면의 붕괴 위험도 평가에 활용 가능한 기술로서 침투-응력 해석에 의한 사면안정 평가기술 뿐만 아니라 이를 보완하기 위한 방안으로 강우량 자료에 근거한 위험도 추정, 사면에서의 계측자료를 이용한 위험도 예측 기법, 수치표고모델(Digital Elevation Model, DEM)을 이용한 위험도 예측 기법 등을 소개하였다. 누적강우량과 강우강도를 이용하여 사면 붕괴 위험도를 예측할 수 있음을 보였으며, 지하수면 상부 모관흡수력의 계측을 통한 표층 붕괴 위험도 예측이 가능함을 알 수 있었다. DEM을 이용한 사면 붕괴 위험도 예측기법은 대규모 노천 사면의 위험지역을 사전에 추출하여 관리하고 채광작업 진행에 따른 위험도 변화 양상을 신속하게 파악하는데 유용할 것으로 판단된다. 또한, 노천광산 사면의 안정성을 향상시키기 위한 보조공법으로 자연배수, 수평배수공, 양수공법, 배수 터널공과 같은 지하수위 하강공법의 종류 및 특징과 사면의 지질학적 및 수리지질학적 특징에 따른 적용성에 대해 기술하였다.

In this study, we have introduced a risk prediction method for the slope failure at large open pit mine. The method includes the risk prediction based on rainfall data, using monitored data, and in terms of digital elevation model (DEM) in addition to a conventional slope stability analysis as a result of a seepage-stress analysis. Cumulative precipitation rate and intensity were useful in predicting slope failure induced by rainfall and monitoring suction pressure above groundwater table was also applicable. Slope failure prediction due to rainfall using DEM was considered to help identify potentially dangerous regions and their evolution during excavation. And mine dewatering technologies such as natural and horizontal drainage, vertical pumping and drainage tunnel method to enhance a open pit mine slope stability were introduced as well together with their applicability, depending on geological and hydrogeological characteristics of the slope.

도시의 성장 및 경제적 수준 향상 등으로 인해 사회는 끊임없이 변하며, 위험사회가 도래하게 되었고지역사회 불안요인에 범죄는 항상 언급되고 있다. 대부분의 범죄는 무작위적인 분포로 발생하지 않고공간 및 지역에 따라 일정한 패턴을 보이며 발생한다. 이에 본 연구에서는 전주시의 공공데이터와 범죄주의 구간 데이터를 활용해 범죄 발생구역의 공간적 특징들을 분석하고, 이에 따른 범죄 발생 위험구역을 기계학습 예측 모델을 통해 구축하고자 하였다.

The society is constantly changing due to the growth of cities and the improvement of the economic level, and a risk society has arrived, and crime is always mentioned as a factor of community unrest. Most crimes do not occur in a random distribution, but occur in a certain pattern according to space and region. Therefore, in this study, the spatial characteristics of the crime-prone area were analyzed using public data of Jeonju city and the data of the crime-prone section, and the resulting crime-prone area was constructed through a machine learning prediction model.

이 연구는 발달장애 자녀를 돌보는 부모의 자살생각에 대한 예측요인을 확인하여 자살위험군의 특성을 탐색하는데 목적이 있다. 자살생각은 다양한 원인들의 상호작용으로 이루어지는 복잡한 사고 체계이고, 궁극적으로 자살에 이르게 하는 강력한 요인이기 때문에중요하게 살펴볼 필요가 있다. 이를 위해 발달장애인을 돌보는 부모를 대상으로 설문을 실시하였고 총 184명이 분석에 활용되었다. 자살생각 예측요인을 직관적으로 확인하기 위해 의사결정나무 방법을 통해 분석하였다. 분석결과, 자살생각 경험이 있는 부모는 80명(4 3.5%)으로 상당히 높은 비율을 보여 심각성이 확인되었다. 자살생각을 가장 많이 한 집단은 건강이 취약하고 자녀 돌봄에 대한 걱정이많으며 경제수준이 어려운 특성을 가진 집단과 건강이 양호하더라도 부모 자녀 간 부정적 의사소통이 매우 높은 특성을 나타냈다. 자살생각을 가장 낮게 한 집단은 부모의 건강이 양호하고 자녀의 장애가 심하지 않고 도전행동이 없으며 자녀와의 부정적 의사소통이적은 집단이었다. 본 연구를 통해 발달장애인 부모의 자살에 대한 심각성을 확인하고 복잡한 요구를 가지고 있는 발달장애인 가족에대한 다각적인 실천적, 정책적 제안을 하였다.

This study aims to explore the characteristics of suicide risk group by verifying the predictive factors of suicidal ideation in parents who care for their children with developmental disabilities. Suicidal ideation is a complex thinking system composed of interactions of various causes, and a strong factor that eventually ends up with suicide, so it is necessary to examine it importantly. For this, a survey was conducted targeting parents caring for people with developmental disabilities, and a total of 184 people were used for analysis. To intuitively verify the predictive factors of suicidal ideation, they were analyzed through the decision tree analysis. In the results of analysis, the parents with experiences in suicidal ideation showed high percentage like 80 people(43.5%), which showed seriousness. The group that had the most suicidal ideation showed the characteristics like vulnerable health, many concerns about childcare, low economic level, and negative communication between parents and children even when health was good. The group with the lowest suicidal ideation showed the characteristics like good health of parents, mild disabilities of children, no challenging behavior, and less negative communication with children.This study verified the seriousness of suicide in parents of children with developmental disabilities, and made multilateral practical/policy-level suggestions for families of members with developmental disabilities having complex needs.

국내의 경우 2003년도부터 경미한 범죄를 저지른 소년에 대하여 경찰단계에서부터 전문가가 개입하여 보다 적극적으로 선도를 유도하는 경찰단계에서의 다이버젼을 시도하고 있다. 하지만 아직 경찰단계에서의 전환정책이 법제화되어 있는 것은 아니기에 현재는 시범시행의 과정만을 거치고 있는 단계이다. 2003년도부터 2004년도 상반기까지는 전국의 2개 경찰서에서 소년범들의 비행성에 대한 정확한 평가절차를 개발하기 위한 예비조사가 이루어졌으며 2004년도 하반기부터 2005년도 상반기까지는 전국의 다섯 군데 경찰서에서 경미한 범죄를 저지른 소년들을 대상으로 하여 비행성 평가가 이루어졌다. 본 연구에서는 2003년도부터 2006년도까지 시범 시행된 경찰단계에서의 다이버젼 시 범죄심리사에 의해 면담된 소년범죄자의 자료를 통하여 그동안의 범죄심리사 개입과정의 실태를 파악하고 추후 이 제도의 확대가능성을 타진해보고자 하였다. 2003년도부터 2005년도 상반기까지 전국 5개 경찰서에서 범죄심리사들이 면담한 소년사건들을 대상으로 하여 2006년도 말에 재범추적을 시행하였다. 그 결과 소년대상자들의 재범예측에 현행 조사절차가 나름의 효과성을 지닌다는 것을 확인하였는데, 재범횟수를 예측함에 있어 소년의 전과력은 가장 유의한 예측력을 발휘하였다. 경찰서에 입건되어 조사를 받고 난 후 재범을 저지르기까지의 시간을 통제한 경우에는 결손가정 여부가 소년들의 재범을 더 빨리 촉진하는 것으로 확인되었다. 하지만 예측모형의 재범예측력은 비교적 미미한 편이었다. 본 연구는 이와 같이 평균 2년 동안의 장기종단 추적을 통하여 범죄소년들의 재비행을 예측하는 위험요인들을 탐색하고자 시도하였다.

Juvenile diversion at police has been attempted with expert intervention since 2003. However, legislation for this system has not been made in Korea. A preliminary risk assessment procedure for juvenile offenders has been performed from 2003 to early 2004 at two police stations. This risk evaluation system is very important for determining the level of expert intervention for juvenile diversion. From late 2004 to early 2005, three more police stations have been involved. Now, fifty police stations are applied this juvenile risk evaluation and aftercare system nation-widely. This study explored the effectiveness of the risk evaluation system to predict juvenile recidivism. Data collected from 2003 to 2005 at five police stations were analyzed for this study. The recidivism data were searched at the end of 2006. The results showed criminal records of juveniles significantly predicted the number of committing crime. When the time to the first recidivism was controlled family brokenness was a facilitating factor pushing juveniles into crime. ROC analysis presented that predictive power was statistically significant but weak.

성범죄자의 재범 우려가 큰 가운데 특정 성범죄자들은 다른 성범죄자들에 비해 재범하는 경향이 더 높은 것으로 알려져 있다. 이에, 연구자들은 성범죄자의 재범을 예측하는 요인들을 규명하기 위해 노력해왔다. 본 연구에서는 현재 교정시설에서 사용하는 STATIC-99(정적 위험요인 평가)와 HAGSOR-동적요인을 사용하여, 각 도구의 재범 예측력을 분석하였다. 분석 결과 STATIC-99와 HAGSOR-동적요인은 통계적으로 유의한 재범 예측력을 가진 것으로 나타났다(각각 AUC = .737, AUC = .597, ps < .001). 그러나 성범죄 재범에 대해서는 STATIC-99만 통계적으로 유의한 예측력을 보였다(AUC = .743, p < .001). 또한 HAGSOR-동적요인을 추가한 Model의 재범 예측에 대한 설명력은 STATIC-99만을 투입한 Model보다 통계적으로 유의한 수준에서 증가하는 것으로 나타나(∆χ2 = 12.721, p < .001), HAGSOR-동적요인의 증분적 재범 예측력이 확인되었다. 그러나 성범죄에 대한 증분적 재범 예측력은 확인되지 못하였다. 재범 위험성 평가 항목 중 정적 위험요인은 친족피해자를 제외한 모든 항목이 재범을 유의하게 예측하였으며, 동적 위험요인 중 범죄적 성격, 대인관계 공격성, 사회적지지(부족)이 재범에 영향을 미치는 것으로 분석되었다. 결과에 대한 함의와 현장에서 도구의 사용 문제, 개선 방향 등이 추가로 논의되었다.

Research on sex offense has shown that sex offenders are very heterogeneous. Sex offenders are heterogeneous in their probability of risk of recidivism. Some sex offenders are known to be much higher in their tendencies to reactivate than others. The study examined the predictive and explanatory power of static and dynamic risk factors in STATIC-99 and HAGSOR-Dynamic which have been used in Korean correctional facilities since 2014. STATIC-99 and HAGSOR-Dynamic showed moderate predictive accuracy for all crimes(AUC = .737, AUC = .597, respectively, ps < .001). However, when examining sex crime alone, only STATIC-99 predicted recidivism significantly(AUC = .743, p < .001). The incremental predictive power of HAGSOR-Dynamic was confirmed; the explanatory power of Model 2 comprising both static and dynamic risk factors were significant beyond Model 1 comprising only static factors(?χ2 = 12.721, p < .001), but this tendency was only applied to the model of all crimes. These findings were discussed with implications of practicing the sex offender assessment and treatment.

본 연구는 사별유형에 따라 비트라우마사건 사별집단과 트라우마사건 사별집단으로 나누어 집단별로 자살위험도에 영향을 미치는 인구사회학적 특성(성별, 연령, 종교유무, 고인과의 관계, 거주지, 거주형태)과 지속비애, 사회적지지, 우울을 15개월의 간격을 두고 종단적으로 확인하고자 하였다. 이를 위하여 2021년 2월과 2022년 5월에 종단자료 수집이 이루어졌으며, 사별을 경험했다고 응답한 663명의 자료가 최종적으로 분석에 사용되었다. DSM-5 진단기준에 따라 총 663명 중 458명은 비트라우마사건 사별집단에 포함되었고, 205명은 트라우마사건 사별집단에 포함되었다. 먼저 독립표본 t검증 및 카이제곱 검증을 통해 두 집단의 차이를 확인한 결과, 비트라우마사건 사별집단이 트라우마사건 사별집단보다 연령이 높고, 부모와의 사별을 경험한 경우가 많으며, 트라우마사건 사별집단이 비트라우마사건 사별집단보다 지속비애, 우울, 시점1의 자살위험도, 시점2의 자살위험도 수준이 높은 것으로 확인되었다. 다음으로 위계적 회귀분석 실시결과, 비트라우마사건 사별집단은 연령이 낮을수록, 시점1의 지속비애 및 우울의 수준이 높을수록, 사회적지지 수준이 낮을수록 시점2의 자살위험도가 높은 것으로 나타났으며, 트라우마사건 사별집단은 연령이 낮을수록, 도시에 거주할수록, 종교가 있을수록, 시점1의 지속비애 및 우울의 수준이 높을수록 시점2의 자살위험도가 높은 것으로 나타났다. 이를 바탕으로 본 연구의 의의점 및 후속 연구를 위한 제언을 제시하였다.

The purpose of this longitudinal study was to identify predictive factors (gender, age, religion, relation to the deceased, domicile location, living arrangement, prolonged grief, social support, depression) for suicidal risk in non-traumatic and traumatic bereavement groups. To this end, an online survey was conducted twice, with a one year and 3 months interval, on 663 Korean adults (458 with non-traumatic bereavement experience and 205 with traumatic bereavement experience). The results were as follows: a hierarchical multiple regression analysis showed that younger age, higher levels of prolonged grief and depression, and low levels of social support increase suicidal risk in the non-traumatic bereavement group. Additionally, in the traumatic bereavement group, younger age, living in a city, being religious, and higher levels of prolonged grief and depression increase suicidal risk. Implications and recommendations for future research were discussed.

연구목적: 본 연구는 서울특별시 서초구를 대상으로 강우, 소방 활동, 사회 취약성 데이터를 통합하여 복합재난 위험 도를 예측하고, 이를 기반으로 소방 자원 배치 전략을 제시하는 것을 목적으로 한다. 연구자료는 2020–2024년 서초 구 시간별 강우량 자료, 화재 출동 개별 내역, 119 구조·구급활동 실적, 통계 연보에서 추출한 인구·주거·사회 취약성 지표를 사용하였다. 특히 신고일시·출동일시·도착일시를 활용하여 출동 지연, 도착시간, 총 대응 시간을 산출하고, 65세 이상 인구 비율, 장애인 등록 인구 비율, 1인 가구 비율, 반지하·지하 주택 비율을 사회 취약성 변수로 구성하였 다. 연구방법: 분석 방법으로는 먼저 화재 출동 내역을 이용해 연도·월·시간대별 출동 건수와 평균 도착시간, 평균 총 대응 시간을 산출하여 기초 통계를 제시하고, 강우량 및 사회 취약성 지표와 결합하여 복합재난 발생에 영향을 미치 는 설명변수를 구성하였다. 이후 다중회귀분석(Multiple Regression Analysis, MRA)과 Random Forest(RF)를 이용하 여 시간 단위 화재 출동 건수 및 발생 여부를 예측하고, 두 모형의 성능을 비교하였다. 2024년을 검증자료로 사용한 결과, 시간당 화재 출동 건수 예측에서 MRA 모형의 평균절대오차(MAE)는 0.24건, RF 모형의 MAE는 0.18건으로, RF가 약 25.0% 낮은 예측 오차를 보였다. 화재 발생 여부(해당 시간에 1건 이상 발생)의 분류 성능을 AUC로 비교한 결과, 로지스틱 회귀는 0.83, RF 분류기는 0.90을 기록하여 RF가 우수한 성능을 나타냈다. 연구결과: RF 변수 중요도 분석 결과, 이전 24시간 누적 강우량, 현 시각 강우량, 신고 시간의 시간대(야간 여부), 65세 이상 인구 비율, 장애인 등록 인구 비율, 반지하·지하 주택 비율, 1인 가구 비율순으로 중요도가 높게 나타났다. 이는 강우 특성뿐 아니라 고령자 및 장애인 밀집 지역, 주거 취약 지역, 1인 가구 밀집 지역이 복합재난 위험에 유의 미한 영향을 미침을 시사한다. 마지막으로, 예측된 위험도와 사회 취약성 지수를 결합하여 행정동별 우선 대응 순위를 제시하고, 이를 기반으로 소방 자원 배치 시나리오를 제안하였다. 결론: 본 연구는 기상·소방·사회통계 데이터를 결합한 복합재난 위험도 예측과 사회 취약성을 고려한 자원 배치 전략을 함께 제시함 으로써, 도시형 재난관리에 대한 데이터 기반 의사결정 지원에 기여할 수 있을 것으로 기대된다.

Purpose: This study aims to predict the risk of compound disasters in Seocho District, Seoul, by integrating rainfall, firefighting activity, and social vulnerability data, and to propose strategies for the optimal allocation of firefighting resources. Method: The research employs hourly rainfall data from 2020 to 2024, detailed fire dispatch records, 119 rescue and emergency activity logs, and demographic and social vulnerability indicators extracted from statistical yearbooks, and calculates dispatch delays, arrival times, and total response times using reported, dispatch, and arrival timestamps. Social vulnerability variables include the proportion of residents aged 65 or older, the proportion of registered persons with disabilities, the share of single-person households, and the percentage of semi-basement or basement dwellings. Result: Multiple Regression Analysis and Random Forest models are applied to predict hourly fire dispatch counts and fire occurrence, and their predictive performances are compared using 2024 data as a validation set; results show that the Random Forest model achieves a lower mean absolute error than the regression model in count prediction and a higher AUC in occurrence classification.Variable importance analysis further indicates that cumulative rainfall over the previous 24 hours, current rainfall, time of report (day/night), and the proportions of elderly residents, registered disabled residents, semi-basement or basement dwellings, and single-person households are major contributors to predicted compound disaster risk. Conclusion: Overall, the study concludes that integrating meteorological, firefighting, and socio-demographic data enables more accurate compound disaster risk prediction and supports socially responsive resource allocation strategies, thereby contributing to data-driven decision-making in urban disaster management.