1. 연구의 필요성

청소년기는 다양한 위험한 성적 행동에 취약한 시기로 성에 대한 호기심은 발달단계에서 정상적인 성장의 과정이라고 볼 수 있다[1]. 그러나 이 시기의 신체적, 심리적 변화와 성숙은 청소년이 위험한 성적 행동의 참여할 가능성에 영향을 미치며[2], 청소년의 성경험이 신체적, 정신적 건강에 부정적인 영향을 줄 수 있어 이를 간과해서는 안 된다[1]. 청소년건강행태조사에 따르면 우리나라 중고등학교 학생의 성관계 경험률은 2016년 4.6%, 2017년 5.2%, 2018년 5.7%, 2019년 5.9%이었다가 코로나바이러스감염증-19(이후 코로나-19로 명칭)으로 2020년에 4.6%로 감소하다가 2021년 5.4%, 2022년에 6.2%로 가장 높게 나타났다[3]. 청소년의 성관계는 10대 임신, 성병, human immunodeficiency virus (HIV) 감염 등의 신체적 건강위험과 스트레스, 불안, 우울증 등의 정신건강 문제 등 다양한 부정적인 결과를 초래한다[4]. 특히 성 규범이 명확히 확립되지 않은 어린 나이의 성경험은 성인이 되어서도 다수의 성 파트너 등 성 관련 위험행동에 관여할 가능성이 현저히 높기 때문에[5], 영향요인을 미리 예측하고 이를 예방하는 것이 매우 중요하다.

청소년들의 성경험에 영향을 미치는 예측요인은 개인적 요인, 건강행태, 가족 및 학교 등 다양하다. 개인적 특성으로, 많은 연구에서 남학생이 여학생보다 성경험에 참여할 가능성이 높은 것으로 보고되었고[6, 7, 8, 9], 사회성, 신체적 성숙, 낮은 자기 통제력, 성태도와 같은 개인적 요인은 청소년들의 성경험과 위험한 성행동의 예측요인으로 나타났다[6, 10, 11, 12]. 음주, 약물 사용과 같은 건강행태도 성경험은 유의한 관계가 있으며[5, 13], 특히, 초기 성관계에서 청소년들의 약물 사용(알코올, 흡연, 불법 약물)과 반사회적 행동의 관련성이 높은 것으로 나타났다[14]. 가족의 특성 역시 청소년의 성경험에 중요한 예측요인으로 작용한다. 한 연구에서 가족은 청소년의 콘돔 사용과 한 명의 파트너만 갖는 것과 같은 긍정적인 성행동의 가장 강한 보호요인으로 나타났고[15], 가족의 종교성, 부모와의 동거, 부모-자녀 간 소통은 청소년들의 성적 활동의 조기 시작을 줄이는데 중요한 역할을 하는 것으로 나타났다[6, 9], 또한, 양부모 가정의 경우 부모의 통제가 중요한 보호요인으로 작용하여 청소년 자녀의 위험한 성행동 확률이 감소하였다[16]. 청소년기에는 학교생활과 또래집단의 영향도 많이 받아 선행연구에 따르면, 반사회적 동료 영향은 초기 성경험과 성적 위험 요인의 가장 큰 예측 변수로 나타났으며[17], 또래 집단의 압력이 청소년의 첫 성경험에 중요한 요인으로 보고되었다[9]. 이는 꾸준한 상호작용을 통해 발달하는 단계인 청소년기에 가족, 또래 등 주변 사람들의 영향이 크다는 것을 나타내며, 청소년의 가족 및 학교 특성을 이용하여 위험성을 조절할 수 있음을 시사한다.

청소년의 성경험과 이로 인한 부정적인 결과를 예방하기 위해서는 우선순위가 높은 위험요인들을 찾아내고 위험요인을 차단하기 위한 적절한 제도적 및 교육적 대처방안이 요구된다[1, 7, 8, 10]. 청소년 성경험은 개인, 동료, 학교, 가정, 지역사회 등 여러 요인이 상호 작용하여 나타나는 복합적인 상황에서 다양한 요인들의 상대적 중요도를 이해하는 것이 필요하다.

머신러닝은 주어진 데이터를 기반으로 학습하는 인공지능의 한 방법으로, 머신러닝 알고리즘을 사용하면 다양한 요인 변수들 간의 상호작용을 고려한 모델링이 가능하고 비선형적인 변수 관계나 복잡한 패턴을 발견할 수 있어 보다 우수한 예측 성능을 얻을 수 있다는 장점이 있다[18]. 특히, 머신러닝 방법 중 랜덤 포레스트(random forest)는 간단하면서도 널리 사용되는 결정트리 모델에 배깅(bootstrap aggregating, bagging)과 앙상블(ensemble) 기법이 더해져 정확도가 높은 모델링이 가능하고 과적합을 방지할 수 있어 일반화 성능이 우수하다[19]. 또한, 랜덤 포레스트는 결정트리를 기반으로 하므로 예측에 사용된 변수들의 상대 중요도를 계산할 수 있고, 결측치를 포함한 데이터에서도 잘 작동하며, 병렬적인 트리 구조를 통해 대규모의 데이터를 빠르게 처리할 수 있다는 장점이 있다[20, 21]. 랜덤 포레스트는 수치형과 범주형을 포함한 다양한 유형의 데이터를 정규화나 인코딩과 같은 전처리 과정이 없이도 처리할 수 있는 장점이 있어 다양한 요인들의 상호작용을 고려한 모델링에 매우 적합하다고 할 수 있다[19]. 이러한 장점을 이용하여 2차 자료를 기반으로 머신러닝을 활용하여 청소년의 건강행동의 위험요인을 예측한 선행연구가 다수 있다. 예를 들면 인구사회학적, 심리적, 학교에서의 일상생활과 관련된 29개의 변수를 이용한 몬타나주의 청소년의 자살시도의 위험 요인 연구[22], 청소년의 대마초 사용과 관련된 사회심리적 및 신경생물학적 위험요인 연구[23], HIV 예방을 위한 기초자료로 청소년의 성경험과 여러 명의 성파트너 위험요인 예측 모델을 개발한 연구가 있다[24]. 마지막 연구는 머신러닝 방법은 청소년의 성경험 관련 요인을 찾아내는 데 효과적인 방법이라고 제언하였다[24].

따라서, 본 연구에서는 랜덤 포레스트를 활용하여 청소년의 성경험에 영향을 주는 변수 중요도(variable importance)를 탐구하고자 한다. 이 방법을 통해 다양한 요인들 간의 복잡한 상호작용을 고려하고 이를 바탕으로 청소년 성경험에 영향을 미치는 주요 요인들을 식별할 수 있다. 랜덤 포레스트는 청소년의 성경험 관련 위험요인 연구에서 주로 사용된 로지스틱 회귀분석의 한계, 즉, 비선형 관계를 정확하게 모델링하지 못하고, 변수들 간의 상호작용을 고려하기 어려우며, 이상치와 다중공선성에 민감한 특성을 극복하여 청소년의 성경험 관련 요인을 더욱 정확하게 분석할 수 있을 것으로 기대된다[19, 20, 21]. 연구결과는 추후 청소년 성병, HIV 예방 및 건전한 성 건강 증진을 위한 교육 및 정책마련의 기초자료로 활용될 수 있다.

2. 연구목적

본 연구 목적은 첫째, 대상자의 인구사회학적, 건강생활습관, 건강, 가정, 지역 및 학교 환경에 따른 성경험률 차이를 파악한다. 둘째, 성경험 예측모델을 구축하고 각 모델의 성능을 평가한다. 셋째, 검증된 예측모델을 이용하여 대상자의 성경험에 영향을 미치는 변수 중요도를 선별하여 비교한다. 각 연구결과는 성별에 따른 차이와 연도별 변화를 파악하기 위해 여학생, 남학생, 2019, 2020, 2021년으로 나누어 분석하였다. 부가적으로 코로나-19가 청소년의 온라인 활동 증가와 학업 및 학교 환경의 변화로 성경험에도 영향을 주었을 것으로 예상되어 코로나-19 발생전인 2019년과 발생 후인 2020, 2021년 사이의 변수 중요도의 변화도 살펴보았다.

1. 연구설계

본 연구는 교육부, 보건복지부, 질병관리청이 직접 수행한 제 15, 16, 17차(2019~2021년) 청소년건강행태조사를 이용한 이차 자료 분석연구이다.

2. 연구자료 및 대상

연구자료는 「질병관리청 원시자료 공개 절차 등에 관한 규정」에 의거하여 제15~17차(2019~2021년) 청소년건강행태조사 원시자료를 제공 받아 활용하였다. 청소년건강행태조사는 우리나라 청소년의 흡연, 음주, 비만, 식생활, 신체활동 등의 건강행태를 파악하기 위해 중학교 1학년~고등학교 3학년 학생을 대상으로 실시하는 익명성 자기기입식 온라인조사이다. 표본추출을 위해 층화집락추출법(stratified cluster random sampling)을 사용하며, 시도별, 도시규모별, 지역군별, 남/여/공학에 따라 전국에서 중학교 400개교, 고등학교 400개교를 추출하였다. 1차 추출은 층별로 영구난수추출법(permanent random number sampling)으로 표본학교를 선정하며, 2차 추출은 선정된 표본학교에서 학년별로 1개 학급을 무작위로 추출한다. 조사항목은 흡연, 음주, 신체활동 등 총 15개 영역에서 103개 문항으로 구성되며, 세부적인 자료 이용방식은 ‘제1차(2005년)~제17차(2021년) 청소년건강행태조사 원시자료 이용지침서’를 참고하였다.

3. 변수 선정

4. 자료분석

자료분석을 위해 SPSS, 오픈 소스 프로그래밍 언어인 파이썬(Python, ver. 3.9.13) 및 머신러닝 도구 라이브러리인 Scikitlearn (version 1.0.2), Pandas (version 1.4.4), Numpy (version 1.21.5), Matplotlib (version 3.5.2)을 이용하였다. 전체 데이터는 성별(남성, 여성) 및 연도별(2019, 2020, 2021년)로 총 6개의 데이터 세트로 구분한 후 다음과 같은 절차에 따라 분석을 시행하였다.

(1) 청소년건강행태조사는 복합표본설계 방법에 의해 표본이 추출되었으므로 질병관리청의 복합표본설계 자료분석지침에 따라 복합표본설계 요소로 층화변수(strata), 집락변수(cluster), 가중치(W), 유한모집단수정계수(finite population correction)를 이용하여 분석하였다. 경제수준, 학년 등 명목변수에 한하여 복합표본 빈도분석을 통해 가중되지 않은 빈도와 가중화된 백분율을 산출하였다. 둘째, 개인적 특성, 건강행태, 건강, 가정, 지역 및 학교 특성에 따른 성관계 경험 차이를 파악하기 위해 복합표본 교차분석인 Rao-Scott χ² test를 실시하였다. 최초 음주 연령, 주중 스마트폰 사용 시간 등 연속변수에 대해서는 복합표본 t-검정을 실시하였다.

(2) 랜덤 포레스트 알고리즘을 사용하여 모델링을 진행하였다. 각 데이터 세트에 k = 5인 stratified K-fold 기법을 적용하여 5개의 모델을 반복하여 적용하고, 각 모델에서의 변수 중요도를 추출한 후 이들의 평균을 구하여 대푯값으로 사용하였다. 각 모델의 성능 평가를 위해 혼동 행렬로부터 정밀도, 재현율, F1-score, receiver operating characteristics (ROC) curve 및 area under the curve (AUC)를 산출하였다. 최종 성능 평가 지표는 5개 모델들의 평균을 이용하였다. 정밀도(precision), 재현율(recall), F1 score, AUC는 혼동 행렬(confusion matrix)을 통해 산출하였다. 정밀도는 모델이 ‘양성(positive)’으로 분류한 것 중에서 실제로 ‘양성’인 것의 비율이고 재현율은 실제 ‘양성’인 것 중에서 모델이 ‘양성’이라고 예측한 것의 비율이다. 모델의 결과변수인 성관계 여부를 보여주는 특성은 2019년 데이터를 기준으로 성관계 경험이 있는 대상자와 없는 대상자의 비율이 10:1 이상(54,021명:3,282명 = 16.5:1)으로 상당히 불균형(imbalance)을 이루고 있었다. 이러한 경우에는 모델의 성능을 나타내는 지표로는 정확도보다는 F1 score를 사용하는 것이 보다 적합한데 이는 F1 score는 단순히 예측 오류의 개수만이 아니라 아래 수식과 같이 오류의 세부적인 종류도 반영하여 산출하기 때문이다.

ROC curve의 경우 혼동행렬의 true positive rate (TPR)와 false positive rate (FPR)의 변동 추세로부터 모델의 성능을 정성적으로 평가할 수 있다. x축인 FPR은 실제로는 ‘음성’인 것 중에서 모델이 ‘양성’이라고 잘못 판단한 비율, y축인 TPR은 실제로 ‘양성’인 것 중에서 모델이 ‘양성’이라고 판단한 것의 비율이다. 곡선이 좌측상단에 가까워질수록 우수한 성능을 갖는다고 설명될 수 있으며 정량적인 수치화를 위해 곡선 아래 부분의 면적 AUC를 구하여 사용한다. 일반적으로 AUC가 0.8 이상인 경우 모델의 성능이 우수하다고 해석한다[25].

(3) (2)에서 검증된 각 모델들로부터 변수 중요도를 산출하고 이를 토대로 각 변수들이 예측에 기여한 정도를 크기대로 정렬하였다. 변수 중요도를 산출하는 방법에 대한 설명은 아래와 같다.

랜덤포레스트의 앙상블을 구성하는 결정트리는 부모 노드(parent node)와 자식 노드(child node)의 불순도(impurity) 차이를 정보 이득(information gain, IG)이라고 정의하고 이를 최대화하는 방향으로 트리를 성장시켜 최종적인 분류 모델을 얻는다.

결정트리에서 변수 A의 중요도는 변수 A를 사용하는 모든 노드에서의 정보 이득의 총합을 전체 트리를 구성하는 모든 노드에서의 정보 이득 총합으로 나눈 값으로 정의한다. 그리고 랜덤 포레스트 모델에서의 변수 A의 중요도는 각 트리에서 구해진 중요도들의 평균으로 구해진다. 이상의 자료분석 과정을 정리하면 Figure 1와 같다.

Figure 1
Data analysis process framework.
ROC = Receiver operating characteristic; AUC = Area under the ROC curve.

• Download Figure

5. 윤리적 고려

본 연구는 2차 자료 활용 분석연구로 전북대학교 생명윤리심위원회로부터 심의면제를 받았다(****202303011-UE002).

1. 연구 대상자의 개인적 특성, 가족 및 학교 특성, 건강행태에 따른 성관계 경험률

본 연구에 포함된 대상자는 총 2019년 남학생 29,841명, 여학생 27,462명, 2020년 남학생 28,353명, 여학생 26,595명, 2021년 남학생 28,401명, 여학생 26,447명이었다. 성관계 경험률은 남학생의 경우 2019년 7.7%에서 코로나-19 발생해인 2020년에 5.7%로 감소하였다가 2021년에는 소폭 증가하여 6.3%이었다. 여학생의 경우에도 2019년 3.6%에서 2020년 3.3%로 감소하였다가 2021년에는 4.0%로 증가하였다(Appendix 1).

대상자의 개인적 특성, 가족 및 학교 특성, 건강행태에 따른 성관계 경험 차이는 Appendix 1, Table 1과 같다. 성경험은 학업성적, 가족 경제상태, 학년, 수면의 질, 주관적 건강상태, 흡연, 스트레스 수준, 인지된 체형, 음주횟수, 음주량, 체중조절노력, 체질량지수, 술 구매 용이도, 학교유형, 우울감 경험유무, 자살생각 및 계획 유무, 거주형태, 성교육 유무, 자살시도 유무, 음주 유무, 폭력경험 후 치료 유무, 습관성 마약 사용 경험, 재혼가정, 부모와 동거 유무, 흡연 유무 등에 따라 통계적으로 유의한 차이를 보였다. 성경험률이 매우 높은 경우는 남학생에서 경제적 수준이 ‘하’인 경우 18.9% (2019년), 주관적 건강상태가 ‘매우 건강하지 않다’고 인식하는 경우 25.1% (2019년), 흡연경험이 있는 경우 24.2% (2019년), 담배를 하루에 1갑 이상 피우는 경우 60.1%(2019년)로 나타났고, 여학생의 경우 담배를 하루에 1갑 이상 피우는 경우 70.4% (2021년)로 가장 높게 나타났다. 하루 2병 이상 마시는 경우는 남학생 46.2% (2019년), 여학생 50.2% (2021년), 매일 술을 마시는 경우 남학생 64.7% (2019년), 여학생은 74.9% (2020년)으로 음주자의 성경험률이 높았다. 술과 담배를 구입 시 어려움이 전혀 없는 경우는 남학생 49.0% (2019년), 여학생 50.7% (2020년, 2021년) 정도로 높았다.

Table 1
The Differences of Sexual Intercourse by Characteristics (Continuous Variables)

• Download Table

주중에 학습을 위해 앉아 있는 시간은 성경험이 있는 경우에 남학생, 여학생 모두 성경험이 없는 경우보다 매해 더 유의하게 짧았고 주말의 경우는 여학생의 경우에만 유의하였다. 주말과 주중 스마트폰 사용 시간은 성경험이 있는 경우 유의하게 길었고 이것은 모든 연도에서 남학생, 여학생 동일하였다. 담배를 처음 시작하는 연령은 남학생, 여학생 모두에서 매해 성경험이 있는 경우에 유의하게 어렸고 아침식사를 한 날은 성경험 있는 경우에 남학생, 여학생 모두 매해 유의하게 더 적었다(Table 1).

2. 청소년 성경험 예측모델의 성능 평가

랜덤 포레스트를 활용한 청소년 성경험 예측 모델의 성능을 분석한 결과, 2019년부터 2021년까지 모든 남녀 그룹에서 정확도는 0.938 이상, 정밀도는 0.941 이상, 재현율은 0.996 이상, F1 점수는 0.968 이상으로 나타났다. 이러한 지표들은 1에 가까울수록 모델의 성능이 높음을 의미하며, 특히 여학생 그룹에서 모델의 성능이 더욱 뛰어난 것으로 관찰되었다(Table 2).

Table 2
Performance Characteristics of Random Forest Model for Each Dataset

• Download Table

AUC의 경우, Figure 2에서 볼 수 있는 것처럼 좌상단으로 커브가 꺾여 있음을 알 수 있고 값은 0.8 이상(Table 2)이므로 AUC가 모든 모델의 성능이 우수하다고 평가할 수 있다[25].

Figure 2
ROC curves of 5-fold random forest models for each dataset. (A) 2019 man random forest. (B) 2020 man random forest. (C) 2021 man random forest. (D) 2019 woman random forest. (E) 2020 woman random forest. (F) 2021 woman random forest.

• Download Figure

3. 청소년 성경험에 영향을 미치는 요인

성능이 검증된 각 예측모델들로부터 산출한 변수 중요도를 토대로 각 변수들이 예측에 기여한 정도를 크기대로 정렬하고 그 변동 상황을 그림으로 나타내면 Figure 3과 같다.

Figure 3
Variable importance variation in dataset models over 3 years (A) man, (B) woman.

• Download Figure

남학생의 경우 성경험을 예측하는 변수 중요도는 2019~2021년 사이에 순위는 조금 변경이 있지만 대체로 주말 또는 주중에 좌식 시간과 인터넷 사용 시간이 1~6위로 변수 중요도를 차지하였고 담배의 구입 용이성, 첫 음주 및 흡연 시작 연령, 아침 식사 여부, 술 구매의 어려움, 학업성취도가 뒤를 이었다. 2020, 2021년에는 인터넷 사용 시간의 중요도가 커졌고 인터넷 좌식 시간을 제외하면 상위 3개가 담배 혹은 음주 관련 요인이다.

여학생의 성경험을 예측하는 요인으로는 주말 또는 주중에 좌식 시간과 인터넷 사용 시간이 1~6위로 변수 중요도를 차지하였고 흡연 시작 연령, 아침 식사 여부, 음주 시작 연령, 패스트푸드 소비, 학업성취도가 뒤를 이었다. 인터넷 사용 시간은 2021년과 2022년에 시간이 지나면서 중요도가 더 커진 것을 알 수 있고 하루 흡연량과 흡연여부도 중요도가 커졌다.

영역별로 변수 중요도를 그림으로 나타낸 결과는 Supplementary Figure 1이다. 남학생의 경우, 개인요인에는 학업성취도, 학년이었고 건강생활습관 중 변수 중요도는 인터넷 사용시간, 좌식 시간, 아침식사 빈도, 음주 및 흡연 시작연령, 패스트푸드 섭취빈도이었다. 건강관련요인에는 인식하는 수면의 질, 지각된 건강상태, 신체상, 체중조절노력, BMI가 변수 중요도로 뽑혔다. 정신건강 요인 중에는 인지한 스트레스 정도, 가정환경에서는 가정의 경제적 상태, 지역환경은 술과 담배 구매용이성이 남학생의 성경험을 예측하는 변수 중요도로 나타났다.

여학생의 경우 개인요인에는 학업성취도와 학년이었고, 건강생활습관 중 변수 중요도는 2019년에는 흡연시작연령과 패스트푸드 섭취빈도이었으나 2020년 이후에는 학습목적이 아닌 주말 인터넷 사용시간이 압도적으로 변수 중요도가 되었다. 건강관련요인에는 남학생과 비슷하게 수면의 질, 지각된 건강상태, 신체상, 체중조절노력, BMI가 변수 중요도로 뽑혔다. 정신건강요인에서는 인지한 스트레스 정도, 가정환경에서는 가정의 경제적 수준이 압도적으로 변수 중요도이었고 지역환경으로는 2020년 이후 담배와 술의 구입용이성의 중요도는 커졌다.

각 변수를 개인, 건강생활습관, 건강관련, 정신건강 특성과 가정, 지역, 학교 환경의 영역별로 묶어서 변수 중요도를 합산한 결과를 그림으로 나타낸 것은 Supplementary Figure 2와 같다. 남학생의 경우 성경험을 예측하는 하위 영역은 2019년에는 순위별로 건강생활습관, 개인특성, 지역환경, 건강관련요인, 정신건강, 가정환경, 학교환경이었고, 2020년, 2021년에는 지역환경, 건강생활습관, 개인특성, 건강관련, 가정환경, 정신건강, 학교환경으로 지역환경의 중요도가 다소 커졌다. 여학생의 성경험을 예측하는 중요 하위 영역은 순위별로 건강생활습관, 건강관련요인, 지역환경, 가정환경, 정신건강, 개인특성, 학교환경 순이었고 이는 2020년~2021년에도 변동이 없었다.