지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
초록· 키워드
오류제보하기
Objectives: The purpose of this study is to evaluate the factors of first graders’ school adjustment in Korean elementary school by using latent profile analysis and machine learning to predict and classify among the first-graders who have difficulty in school adjustment.
Methods: Data from 1,010 children in the first grade of elementary school were used in the seventh to eighth surveys of the 2014-2015 Korean Children"s Panel. The output variable of machine learning is the school adjustment type of the eighth survey data, and the type and number of each school adjustment were determined by latent profile analysis of its sub-variables. The input variables for machine learning were the children’s gender and school readiness of the seventh data. In addition, the children"s difficulty in executive function, school preference, parents" interest in school life, teacher"s teaching efficacy, and work stress included in the eighth data were selected as input variables. As a model for predicting children"s school adjustment type, four machine learning algorithms are used.
Results: Three types of school adjustment were identified through latent profile analysis, with the lowest level of school adjustment being 13.1% of all children. “Difficulty in executive function” was the predictor of the lowest level of school adjustment in all machine learning models. The model that best classifies children at the lowest level of school adjustment was the gradient-boosted decision tree model, with an accuracy of 94%, a sensitivity of 70%, a specificity of 97%, and an AUC of .89.
Conclusion: When using latent profile analysis and machine learning model, the difficulty in adjusting to school in the first graders of elementary school was most predicted by difficulty of the executive function; however, school readiness was not. This study suggested that cooperation between early childhood education and primary education based on empirical analysis is necessary for successful primary connection.
Methods: Data from 1,010 children in the first grade of elementary school were used in the seventh to eighth surveys of the 2014-2015 Korean Children"s Panel. The output variable of machine learning is the school adjustment type of the eighth survey data, and the type and number of each school adjustment were determined by latent profile analysis of its sub-variables. The input variables for machine learning were the children’s gender and school readiness of the seventh data. In addition, the children"s difficulty in executive function, school preference, parents" interest in school life, teacher"s teaching efficacy, and work stress included in the eighth data were selected as input variables. As a model for predicting children"s school adjustment type, four machine learning algorithms are used.
Results: Three types of school adjustment were identified through latent profile analysis, with the lowest level of school adjustment being 13.1% of all children. “Difficulty in executive function” was the predictor of the lowest level of school adjustment in all machine learning models. The model that best classifies children at the lowest level of school adjustment was the gradient-boosted decision tree model, with an accuracy of 94%, a sensitivity of 70%, a specificity of 97%, and an AUC of .89.
Conclusion: When using latent profile analysis and machine learning model, the difficulty in adjusting to school in the first graders of elementary school was most predicted by difficulty of the executive function; however, school readiness was not. This study suggested that cooperation between early childhood education and primary education based on empirical analysis is necessary for successful primary connection.
목차
Introduction
Methods
Results
Discussion
References
주제어 및 참고문헌
참고문헌 (55)
참고문헌 신청
RUSSELL A. BARKLEY / 2000 / Genetics of Childhood Disorders: XVII. ADHD, Part 1: The Executive Functions and ADHD / Journal of the American Academy of Child & Adolescent Psychiatry 39(8):1064~1068
LARS R. BERGMAN / 1997 / A person-oriented approach in research on developmental psychopathology / Development and Psychopathology 9(2):291~319
Leo Breiman / 2001 / Random forests / Machine Learning 45(1):5~32
Bronfenbrenner, U. / 1979 / The ecology of human development : Experiments by nature and design / Harvard University Press
Elizabeth R. DeLong / 1988 / Comparing the Areas under Two or More Correlated Receiver Operating Characteristic Curves: A Nonparametric Approach / Biometrics 44(3):837
LARS R. BERGMAN / 1997 / A person-oriented approach in research on developmental psychopathology / Development and Psychopathology 9(2):291~319
Leo Breiman / 2001 / Random forests / Machine Learning 45(1):5~32
Bronfenbrenner, U. / 1979 / The ecology of human development : Experiments by nature and design / Harvard University Press
Elizabeth R. DeLong / 1988 / Comparing the Areas under Two or More Correlated Receiver Operating Characteristic Curves: A Nonparametric Approach / Biometrics 44(3):837
함께 읽어보면 좋을 논문
논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!
-
머신러닝을 활용한 유아의 사회적 유능성 예측모델 개발
아동학회지
2022 .08
-
초등학교 3학년 아동의 학교적응 유형을 예측하는 학습습관과 정서행동문제의 역할
한국보육지원학회지
2016 .01
-
청소년과 부모의 삶의 만족도 잠재프로파일 분류 및 주요 예측변인 검증
한국청소년연구
2021 .08
-
잠재프로파일분석을 적용한 5-7세 아동의 언어능력에 따른 집단 탐색
Communication Sciences and Disorders
2022 .12
-
학령초기 자녀를 둔 학부모의 교육지원 유형: 예측요인 및 교육지원 유형에 따른 자녀의 학교 적응
아동학회지
2020 .02
-
잠재프로파일분석을 통한 지역아동센터 서비스 도움정도의 예측변수 탐색: 서비스 이용 아동의 가족관계를 중심으로
한국가족관계학회지
2020 .01
-
머신러닝을 활용한 청소년 정서·행동문제 잠재프로파일의 예측 및 영향 변수 탐색
한국가족관계학회지
2021 .10
-
청소년의 그릿 및 학업열의에 대한 잠재프로파일 분류와 영향요인 검증
한국청소년연구
2021 .02
-
잠재프로파일 분석을 통한 청소년 직업가치 유형분류 및 영향요인 검증
한국청소년연구
2017 .02
-
초등학교 1학년 아동의 학교적응 유형화 및 어머니의 교육참여 예측요인 검증
아동학회지
2021 .04
-
중․고등학생의 학습전략 수준 잠재프로파일 분석과 영향요인 탐색
교육공학연구
2020 .01
-
고등학교 3학년 학생의 방과 후 생활시간 활용 유형과 결정요인 분석
한국청소년연구
2017 .05
-
초등학교 1학년의 학교적응에 영향을 미치는 변인 탐색 연구
발달지원연구
2018 .01
-
지역아동센터 이용아동의 학교적응 변화유형과 예측요인에 대한 종단적 연구
청소년문화포럼
2019 .10
-
학령기아동 (8-11세)의 집행기능 변화에 대한 남녀 차이: 잠재프로파일 분석
한국심리학회지: 발달
2024 .03
-
잠재프로파일 분석과 랜덤 포레스트를 활용한 교사-유아 상호작용 예측요인 탐색
유아교육연구
2022 .09
-
초등학교 입학 이후 아동의 학교적응에 대한 교사 요인의 영향
초등교육연구
2021 .01
-
잠재프로파일분석을 통한 부모의 양육행동 유형화와 아동의 학교적응 및 문제행동 비교
아동과 권리
2020 .01
-
학교 생태체계 환경 변인이 중3 학생의 학교생활 적응에 미치는 영향
[KYCI] 청소년상담연구
2018 .06
-
직업계 고등학교 출신 임금근로자의 직장만족도에 따른 잠재프로파일 분류와 영향요인 분석
직업능력개발연구
2022 .07
이 논문의 저자 정보
이 논문과 함께 이용한 논문
부모 공동양육의 양과 질을 반영한 잠재프로파일분석과 집단 간 사회인구학적 특성, 학령기 아동 정서조절능력의 차이
이지원
,
최지은
,
김현경
아동학회지
2020
.12
디지털 소통능력과 디지털 이용중재의 관계: 초등학생 자녀와 부모를 대상으로 한 잠재프로파일 분석을 활용하여
이예슬
,
김현경
,
주수산나
아동학회지
2023
.02
잠재 프로파일 분석을 통한 부모의 양육태도 유형, 교사-아동 관계 및 또래관계가 아동의 그릿에 미치는 영향
정영선
,
박경현
아동학회지
2022
.11
학령기 아동의 내재화문제에 대한 잠재계층 분류 및 예측요인 탐색
이영애
아동학회지
2020
.06
영유아기 자녀를 둔 어머니의 심리적 특성 유형에 영향을 미치는 개인, 가정, 사회 환경 변인 분석 : 잠재프로파일 분석을 적용하여
최효식
,
연은모
,
윤영
외 1명
한국영유아보육학
2013
.11
최근 본 자료
댓글(0)
0