한국에서의 자살 문제는 단순한 개인의 비극을 넘어선 심각한 공중 보건 문제로 인식되고 있다. 우리나라 정부는 급증하는 자살률을 낮추고자 2004년부터 현재까지 5년 단위의 중장기 계획인 ‘자살 예방 기본계획’을 수립하여 자살률 감소를 위해 적극적인 노력을 보이고 있다(보건복지부, 2023). 그러나 이러한 노력에도 불구하고, 2023년 우리나라의 자살 사망자 수는 전년도보다 8.3% 증가한 13,978명으로, 2013년 이후 가장 많은 수치를 기록했다(통계청, 2024). 특히, 2021년 기준 20세부터 34세의 한국 청년 자살률은 인구 10만 명당 24.7명으로 OECD 평균인 10.8명보다 2.3배 높은 압도적인 1위로 보고되었으며, 이 중 20대 사망자의 52.7%가 자살로 인해 사망한 것으로 나타나 20대의 자살에 대한 사회적 경각심이 높아지고 있다(김준수, 2025; 보건복지부, 2024). 그럼에도 불구하고 기존의 자살 예방 정책과 연구들은 주로 청소년과 노인 등 전통적 고위험군을 중심으로 설계되어, 이제 막 성인기로 진입하여 다양한 심리적 및 사회적 스트레스에 노출되는 20대 청년층의 특성과 핵심 위험 요인을 충분히 반영하지 못한다는 한계가 있다(전진아 & 채수미, 2023; 조은희 외, 2020). 따라서 20대 청년층을 대상으로 한 자살 행동의 핵심 위험 요인 탐색과 이에 기반한 맞춤형 예방 전략을 마련하기 위한 실증적 연구가 필요하다.

자살 행동은 그 복잡성과 예측의 어려움에도 불구하고 오랜 기간 사회과학 분야에서 중요한 연구 주제로 다뤄져 왔다. 초기 연구들은 자살을 단일 사건으로 파악하는 경향을 보였으나, 이후 연구들은 자살을 자살 사고(suicidal ideation)에서 자살 완료(completed suicide)로 이어지는 연속적 과정으로 보았다(Sveticic & De Leo, 2012). Nock 등(2008)은 자살 완료 이전의 과정을 자살 사고(suicide ideation), 자살 계획(suicide plan), 자살 시도(suicide attempt)로 구분하였다. 그 첫 단계인 자살 사고는 자신을 해칠 방법을 떠올리거나 실제로 죽음을 생각하는 것을 의미하며(Nock et al., 2008), 이는 자살 행동의 출발점으로 볼 수 있다. 자살 사고는 비교적 빈번하게 보고되는 것에 반해, 이를 경험하는 대다수가 실제 자살 시도까지 나아가지는 않는다는 점에서, 자살 사고의 ‘발생’과 행동으로의 ‘전환’을 명확히 구분하여 접근할 필요가 있다(Klonsky et al., 2016). 이어지는 단계인 자살 계획은 죽음을 목적으로 한 구체적인 방법이나 절차를 계획하는 단계로(Nock et al., 2008), 단순한 자살 사고에 비해 향후 자살 시도로의 이행 가능성이 현저히 높은 단계이다. 실제로 미국 청소년의 자살 행동 관련 연구에 따르면, 자살 계획을 수립한 집단이 자살 사고만을 보고한 집단보다 자살 시도로 이어질 확률이 유의하게 높게 나타났다(Witte et al., 2008). 마지막 자살 시도 단계는 자살 사고와 계획이 행동으로 전환된 단계로, 죽으려는 의도를 가지고 의도적으로 자신을 해치는 행위로 정의된다(Nock et al., 2008). 선행연구들은 모든 자살 사고가 자살 시도로 이어지는 것은 아니지만, 자살 사고와 계획 단계를 경험한 개인은 그렇지 않은 경우에 비해 자살 시도 및 사망에 이를 위험이 현저히 높다는 점을 보고하고 있다(Klonsky & May, 2015; Nock et al., 2008; Nock et al., 2016). 따라서 자살 행동 위험군 분류의 정확도를 높이고 실효성 있는 개입 전략을 수립하기 위해서는 자살 행동을 단일한 현상이 아닌 자살 사고, 계획, 그리고 시도로 이어지는 연속적 단계로 구분하여 연구할 필요가 있다.

한편, 자살 행동 관련 연구에서 중요하게 다뤄지는 개념 중 하나로 비자살적 자해(Non-Suicidal Self-Injury, 이하 NSSI)가 있다. NSSI는 자살 의도 없이 고의로 자신의 신체 조직을 손상시키는 행위를 의미하며(Nock & Favazza, 2009), DSM-5에서는 이를 자살 행동과 명확히 구분하여 정신건강 문제로 분류하고 있다(APA, 2013). 그러나 NSSI를 경험한 집단에서 자살 시도로의 전환 위험이 유의미하게 증가한다는 연구 결과들이 축적되어 왔으며, Joiner(2005)의 자살에 대한 대인관계 이론(Interpersonal-Psychological Theory of Suicide, 이하 IPTS)에 따르면 반복적인 자해 경험이 죽음에 대한 공포를 감소시켜 실제 자살 시도를 가능하게 하는 습득된 자살 잠재력을 형성한다고 나타났다. 또한, Nock 등(2006)과 Whitlock 등(2013)의 연구는 NSSI 경험이 자살 행동의 유의미한 예측 요인임을 실증적으로 보고하였다. 이러한 선행 연구들이 NSSI와 자살 행동 간의 관계를 확인하였음에도 불구하고, 모든 자해 경험자가 동일한 위험 수준을 보이는 것은 아니라는 점에 주목할 필요가 있다. 본 연구는 NSSI와 자살 행동의 관계를 탐색함에 있어 NSSI 경험자들이 동일한 자살 행동 위험을 지니는 것이 아니라 자해 방법, 빈도, 심각성 등에 따라 자살 행동으로의 가능성이 상이하다는 것을 규명하는 데 초점을 둔다. 이는 NSSI 경험자 집단 내에 존재하는 이질성을 간과하기 쉬운 기존의 접근 방식의 한계를 보완하는 시도로서, 자살 행동 위험이 있는 집단을 보다 정밀하게 식별하기 위한 필요성과 맞닿아 있다.

기존의 자살 행동 위험군 분류 연구는 주로 연령대와 성별과 같은 인구사회학적 특성에 따라 집단을 구분하여 위험 요인의 차이를 탐색하거나 회귀분석을 통해 자살 행동에 대한 위험 요인을 규명하고자 하였다. 하지만 대다수의 연구가 제한된 수의 요인만을 탐색하거나 소규모 표본에 의존하여 수행되었다는 한계가 있다(김소린 외, 2014; 박선영 & 김종운, 2021; 정명희 & 허성희, 2017). 회귀분석과 같은 전통적 통계 기법(traditional statistical methods)은 독립변수 간 상관관계가 높을 경우 모델의 안정성과 해석력을 저해하는 다중공선성 문제가 발생하기 쉽다는 한계를 지닌다(Hair et al., 2019). 특히, 자살 행동과 같이 개인의 내부와 외부 요인이 복합적으로 상호작용하는 현상을 탐색함에 있어, 이러한 전통적 통계 기법의 한계는 더욱 뚜렷하게 나타날 수 있다. 즉, 전통적 통계 기법으로는 자살 행동을 충분히 설명하거나 위험군을 분류하는 데 한계가 있다. 실제로 Franklin 등(2017)은 메타분석 연구를 통해 지난 수십 년간 전통적 통계 기법으로는 자살 행동에 대한 예측력의 실질적인 개선을 이루지 못했음을 지적하며, 이에 따라 새로운 방법론적 접근의 필요성이 제기되고 있다. 이러한 한계를 극복하기 위해, 최근 연구에서는 머신러닝 기법을 활용하여 자살 행동에 대한 예측력을 높이고자 하는 노력이 지속되고 있다. 머신러닝은 데이터 내의 미세한 패턴과 변인 간의 상호작용을 효과적으로 포착할 수 있을 뿐만 아니라(Linthicum et al., 2019), 전통적 통계 기법으로는 규명하기 어려운 변수 간의 관계를 정밀하게 식별해 낼 수 있다는 강점을 지닌다(Kyriazos & Poga, 2024). 이에 따라 전통적 방법론의 한계를 극복할 수 있는 대안으로 머신러닝 기법을 적용한 자살 행동 연구가 주목받고 있다.

머신러닝을 활용한 연구에서는 일반적으로 다수의 알고리즘을 비교 분석하여, 가장 높은 예측력을 보이는 최적의 알고리즘을 선정하는 방식이 활용된다. 이는 알고리즘에 따라 데이터 특성이나 변수 간의 관계를 학습하는 방식이 상이하여, 동일한 데이터셋이라도 적용된 알고리즘에 따라 분류 성능이 달라질 수 있다는 특징 때문이다. 이러한 비교 기반 접근은 최근 자살 행동 위험군 분류 연구에서도 점차 확산되고 있다. 네덜란드 청소년을 대상으로 한 연구에서는 Random Forest(RF)와 Least Absolute Shrinkage and Selection Operator Regression(LASSO)을 비교하여 자살 시도를 예측하는 최적의 알고리즘을 도출하였으며(Van Vuuren et al., 2021), 튀르키예 대학생을 대상으로 한 연구는 4가지 머신러닝 알고리즘(Logistic Regression[LR], Support Vector Machine[SVM], RF, Naive Bayes[NB])을 활용하여, 자살 사고 위험군을 분류하는 모형의 성능을 비교하였다(Ballı et al., 2025). 뿐만 아니라 한국, 미국, 노르웨이 청소년을 대상으로 한 다국가 연구에서도 XGBoost(XGB), RF, Light Gradient Boosting Machine(LightGBM) 등 4종의 알고리즘을 비교 분석하여 자살 사고 위험군을 분류하는 최적화된 알고리즘을 도출하였다(Kim et al., 2024). 이러한 연구들은 자살 행동 위험군 분류에 있어 단일 알고리즘에 의존하기보다, 다양한 알고리즘을 비교 및 검토하는 접근이 보편적인 연구 방법으로 자리 잡고 있음을 보여준다.

국내에서도 머신러닝 기법을 적용한 자살 행동 위험군 분류 연구가 꾸준히 증가하고 있다. 한국 청소년을 대상으로 한 연구에서는 LR, SVM, Artificial Neural Network(ANN), RF, XGB 등 다양한 알고리즘을 활용하여 최근 1년 이내의 자살 시도 경험 여부를 분류하는 모형의 성능을 비교 검증하였고(Lim et al., 2022), 중·고령층을 대상으로 한 연구에서는 SVM, Naive Bayes(NB), K-Nearest Neighbors (KNN) 알고리즘을 비교하여 최근 1년 이내의 자살 사고를 경험한 집단을 분류하는 최적의 알고리즘을 도출하였다(정현우 & 장진수, 2024). 또한 성인을 대상으로 한 연구에서는 LR과 RF 알고리즘을 비교하여 자살 사고 위험군 분류에 더 효과적인 알고리즘을 확인함으로써 머신러닝 방법론이 자살 행동 위험군 분류에 유용하게 활용될 수 있음을 입증하였다(Kim & Lee, 2025). 이처럼 국내에서는 다양한 연령층의 자살 사고 위험군을 분류하기 위해 다수의 머신러닝 알고리즘을 비교 분석하는 연구가 점진적으로 증가하고 있다. 하지만 기존 연구들은 주로 성인, 청소년, 중·고령자를 대상으로 진행되었으며, 20대 청년층을 독립적인 연구 대상으로 설정한 사례는 부족한 실정이다. 더욱이 국내 연구의 상당수는 자살 행동의 특정 단계에 영향을 미치는 요인을 분류하는 데 초점을 맞추고 있으며, 특히 20대 청년층을 포함한 연구에서는 최근의 자살 행동보다는 생애 전반의 자살 행동 위험군을 분류하는 경향을 보인다. 이러한 연구 동향은 20대 청년층의 자살 행동 위험 요인을 심층적으로 규명하는 데 있어 제한점이 존재함을 시사한다. 이에 20대 청년층을 대상으로 최근 1년 이내 자살 행동 위험군을 분류할 수 있는 연구가 필요하다.

최근 20대 청년층의 자살률이 지속적으로 증가하고 있음에도 불구하고, 이들의 자살 행동에 관한 연구는 여전히 부족한 상황이다. 국내 기존의 자살 행동 연구는 대부분 성인, 청소년, 중·고령자 집단에 집중되어 있으며, 자살 행동의 단일 단계에 대한 영향 요인 규명에 주안점을 두고 있다. 더욱이 이러한 연구들은 최근의 자살 행동보다는 생애 전체에 걸친 자살 행동 경험의 여부를 분류하는 데 중점을 두는 경향이 있다. 이에 본 연구에서는 20대 청년층을 독립적인 분석 대상으로 설정하여, 자살 사고, 계획, 그리고 시도로 이어지는 자살 행동의 각 단계별 위험 요인을 탐색하고자 한다. 특히 본 연구에서는 자살 행동 위험군 분류에 영향을 미치는 요인을 탐색함에 있어 기존 자살 행동 관련 선행 연구들과 이론적 틀을 기반으로 위험 요인을 선정하였다. 구체적으로 통합적 동기-의지 모형(Integrated Motivational-Volitional Model, IMV; O’Connor, 2011), IPTS(Joiner, 2005), 생물심리사회적 모델(Turecki & Brent, 2016) 등 자살 행동을 설명하는 기존 이론들을 바탕으로 요인을 선정하였으며, 이러한 이론들은 자살 행동이 개인의 심리적 요인, 대인관계적 요인, 정신건강 상태, NSSI 특성 등 다수 요인의 상호작용에 의해 발생함을 제시하고 있다. 따라서 본 연구의 독립변수들은 단순한 차원 축소나 데이터 마이닝 기법에 의해 임의로 추출된 것이 아니라, 다수의 선행 연구를 통해 검증된 이론적 근거를 가진 요인이라 할 수 있다. 이는 특정 표본에서 나타난 우연적 패턴에 대한 학습 가능성을 최소화하고 연구 결과의 일반화 가능성을 높이는 방법론적 장점을 제공한다. 나아가 최근 머신러닝 기반 자살 행동 위험군 분류 연구의 비교 분석 접근법을 적용하여, 선형 기반, 트리 기반, 커널 기반, 생성 기반, 거리 기반 등 상이한 특성을 가진 10개의 머신러닝 알고리즘을 활용하여 분류 성능을 종합적으로 비교 분석한다. 이를 통해 20대 청년층의 자살 행동 위험군 분류에 최적화된 알고리즘을 도출하고 핵심 위험 요인을 규명함으로써, 20대 청년층의 자살 행동 예방을 위한 실증적 근거를 마련하고자 한다.

방 법

결 과

논 의

본 연구는 20대 청년층의 최근 1년 이내 자살 행동 고위험군을 분류하기 위해 상이한 특성을 가진 10가지 머신러닝 알고리즘의 분류 성능을 비교하여 최적 모형을 선정하고, 20대 청년층의 자살 행동 여부를 분류하는 데 영향을 미치는 핵심 위험 요인을 탐색하였다. 본 연구에서는 도출된 핵심 위험 요인을 통해 20대 청년층의 자살 행동 개입에 대한 시사점을 제공하고자 하였다. 본 연구의 주요 결과와 논의는 다음과 같다.

첫째, 본 연구는 20대 청년층의 자살 행동 고위험군 분류를 위한 최적의 모형을 규명하고자 선형(LR, LASSO, Ridge, Elastic Net), 트리(RF, GRRF, XGB), 커널(SVM), 생성(NB), 거리 기반(KNN) 알고리즘의 성능을 비교 분석하였다. 분석 결과, 자살 사고 분류 모델로는 LASSO, 자살 계획 및 시도 분류 모델로는 Elastic Net이 가장 우수한 성능을 나타냈다. 이는 머신러닝 기반의 분류 모형이 20대 청년층의 자살 위험군을 식별하고 위험 수준에 따른 개입에 근거를 마련하는 데 유효한 도구로 활용될 수 있음을 시사한다.

둘째, 본 연구에서는 최적의 분류 성능을 보인 알고리즘의 변수 중요도를 기준으로 20대 청년층의 자살 행동에 영향을 미치는 핵심 위험 요인을 탐색한 결과 총 20개의 핵심 위험 요인이 도출되었으며, 이는 ‘자살 모방 관련 요인’, ‘자해 관련 요인’, ‘심리적 요인’, ‘인구사회학 및 병력 요인’의 네 가지 유형으로 범주화되었다.

먼저, ‘자살 모방 관련 요인’ 중 ‘미디어 모방’은 자살 사고, 계획, 시도의 핵심 위험 요인으로 나타났으며, ‘대인관계 모방’은 자살 계획의 핵심 위험 요인으로 나타났다. 이러한 결과는 미디어 보도가 개인의 자살 행동을 촉발할 수 있다는 ‘베르테르 효과(Werther effect)’와 맥락을 같이 한다(Phillips, 1974). 베르테르 효과에 대한 체계적 문헌고찰 연구들에 따르면, 자살 사망자와의 연령 유사성과 자살 사건 보도의 빈도, 자살 방법의 구체적 묘사 등이 자살 모방의 위험을 유의하게 증가시키는 것으로 나타났다(Lee et al., 2023a; Niederkrotenthaler et al., 2020). 즉, 유명인의 자살이 선정적인 제목과 구체적인 자살 방법을 포함하여 반복 보도될 경우, 유사한 연령대의 개인은 자살을 하나의 현실적인 대응 방식으로 인식할 위험이 커질 수 있음을 의미한다(Niederkrotenthaler et al., 2020). 특히, 20대의 자살은 사회적 주목도가 높아 더욱 자극적이고 반복적으로 보도될 가능성이 있으며(Choi, 2023), SNS를 비롯한 디지털 플랫폼 활용도가 높은 20대 청년층의 경우 타인의 자살에 관한 구체적인 정보에 노출될 가능성이 상대적으로 높다. 이는 20대 청년층이 타 연령대와 비교하여 베르테르 효과에 더욱 민감하게 반응하거나 그 영향력을 크게 받을 위험이 높음을 시사한다.

주변인의 자살 시도 또는 자살 사망에 대한 노출 경험을 의미하는 '(자살에 대한 사회적 노출) 대인관계 노출 또한 자살 계획 및 시도의 핵심 위험 요인으로 나타났다. 자살로 인해 가족 또는 가까운 사람을 잃은 개인은 자살생존자(suicide survivor)로 정의된다(McIntosh, 1987). 자살생존자 관련 선행 연구들에 따르면, 이들은 사별 후 수개월에서 수년에 이르는 기간 동안 복합적인 애도 반응을 경험하며, 우울증 및 외상 후 스트레스 증상의 영향으로 인해 자살 위험도가 증가하는 것으로 나타났다(Pitman et al., 2014; Maple et al., 2018; Levi-Belz & Lev-Ari, 2019). 특히 고인과 정서적으로 가까울수록 심리적 고통이 높게 나타났으며, 적절한 심리적 개입이 부재할 경우 자살 행동 위험이 높아지는 것으로 보고되었다(Cerel et al., 2016; Jordan & McIntosh, 2011). 이에 따라, 자살생존자를 위한 전문적인 심리 지원 시스템의 구축이 요구된다. 이를 위해 학교, 직장, 지역사회에서 자살 사망 사건 발생 시 자살생존자를 대상으로 위기 개입, 애도 상담, 집단 프로그램 등의 심리 지원을 제공할 수 있는 체계를 마련해야 한다. 또한 상담 장면에서는 애도 과정에 대한 심리상담과 감정 표현을 촉진하는 애도 상담 프로그램을 통해, 정신건강의 악화를 예방하고 사회적 기능을 회복할 수 있도록 지원하는 것이 중요하다.

셋째, 본 연구에서 도출된 ‘자해 관련 요인’은 ‘자해의 기능’, ‘자해의 방법’, ‘자해 심각도’를 포함한다. 이는 20대 청년층의 자살 행동을 분류함에 있어 자해를 단일 지표로 다루기보다, 기능·방법·심각도라는 서로 다른 차원으로 세분화하여 평가할 필요가 있음을 시사한다(Ammerman et al., 2019; Knorr et al., 2019; Nock & Prinstein, 2004).

먼저, ‘자해의 기능’은 자해 행동을 통해 부정적 정서를 완화하거나 자해 행동을 자신을 진정시키기 위한 동기로 활용하는 ‘내적 동기’와, 타인의 관심 또는 지지를 유도하거나 대인관계를 조절하기 위한 동기로 활용하는 ‘사회적 동기’를 포함한다(Nock & Prinstein, 2004). 본 연구에서는 내적 동기가 자살 계획의 핵심 위험 요인으로 나타났으며, 이는 자해 행동에 내적 동기가 작용하는 경우 자살 계획으로의 이행 가능성이 높아질 수 있음을 의미한다. 스페인 청소년을 대상으로 진행된 선행연구에 따르면 자해 기능에 대한 의존도가 높을수록 자해 심각도와 자살 위험이 함께 증가하는 경향이 보고된 바 있다(Calvete et al., 2015).

한편, ‘자해의 방법’에는 커팅(cutting), 히팅(hitting), 그리고 자기비하적 사고가 포함되었다. 본 연구에서 커팅은 자살 사고, 계획, 시도의 핵심 위험 요인으로 나타났고, 히팅은 자살 사고 및 시도의 핵심 위험 요인으로 나타났으며, 자기비하적 사고는 자살 사고의 핵심 위험 요인으로 확인되었다. 이는 커팅과 히팅 등 특정 자해 방법이 반복될수록 자해 심각도와 자살 위험이 높아진다는 선행연구와 일치하는 결과이다(Allen et al., 2019; Ammerman et al., 2019; Baer et al., 2020; Victor & Klonsky, 2014). 결론적으로, 20대 청년층의 자살 위험성을 평가함에 있어 내담자가 경험한 구체적인 자해 방법은 내담자의 자살 위험 수준을 식별하고 분류하는 핵심적인 지표로 기능할 수 있다.

마지막으로, 자해의 빈도와 충동성을 의미하는 ‘자해 심각도’는 본 연구에서 자살 사고, 계획, 시도의 핵심 위험 요인으로 나타났다. 이는 자해의 빈도와 충동성이 자살 행동에 대한 취약성을 나타내는 핵심 지표임을 시사하며, 실제로 미국의 20대 청년층을 대상으로 한 선행연구에서는 자해 심각도가 높을수록 자살 행동의 위험도가 증가하는 것으로 나타났다(Anestis et al., 2015; Knorr et al., 2019).

이러한 결과는 자해 관련 특성이 자살 사고, 계획, 시도 전반과 연관되어 있음을 의미하며, 상담 장면에서 내담자에 대한 자살 행동 위험 평가와 개입의 우선순위를 설정할 때, 자해 관련 특성을 고려해야 함을 시사한다. 이에 따라 자해 행동을 하는 20대 청년층 내담자에게는 다음과 같은 접근이 필요하다. 첫째, 20대 청년층의 자살 위험 평가 시 자해 방법, 빈도, 심각도, 기능을 구체적으로 평가해야 한다. 둘째, 자해 행동의 내적 동기를 평가한 후, 해당 기능에 근거하여 내담자가 대처 전략을 경험할 수 있도록 돕는 개입이 필요하다. 구체적으로, 내담자의 내적 동기가 높은 경우에는 정서적 고통을 견디고 조절할 수 있도록 그라운딩과 같은 안정화 기법 및 감정 허용 중심의 훈련을 제공할 수 있다. 마지막으로 자해 행동이 빈번하거나 강한 자해 충동을 호소하는 내담자에 대해서는 자해 행동의 감소 및 중단을 목표로 한 안정화 기법과 안전계획 수립을 병행함으로써 자해가 자살 행동으로 이행될 위험을 감소시키는 것이 중요하다.

넷째, 본 연구에서 도출된 ‘심리적 요인’은 ‘내적 속박감’, ‘인식된 짐스러움’, ‘불안’, ‘우울’, ‘분노’, ‘과거 부정 시간관’을 포함한다. 먼저 ‘내적 속박감’은 자살 사고의 핵심 위험 요인으로 나타났으며, ‘인식된 짐스러움’과 ‘불안’은 자살 시도의 핵심 위험 요인으로 나타났다. 또한, ‘우울’은 자살 사고 및 계획의 핵심 위험 요인으로, ‘분노’는 자살 계획의 핵심 위험 요인으로 나타났다. 그리고 ‘과거 부정 시간관’은 자살 시도의 핵심 위험 요인으로 나타났다. 이는 자살 행동이 일시적인 기분 저하로 인해 발생하는 것이 아닌 현재와 과거에 대한 인지적 해석 및 정서 상태와도 밀접하게 관련되어 있음을 시사한다. 본 연구에서 도출된 ‘심리적 요인’은 자살 행동의 단계별 영향 요인을 설명하는 IMV 모델의 기본 가정과 대체로 일치하면서도, 일부 핵심 위험 요인에 대한 이해를 확장하는 시사점을 제공한다. IMV 모델에 따르면 자살 행동은 동기적 단계(Motivational-phase)와 실행적 단계(Volitional-phase)로 구분된다. IMV 모델에서 자살 사고의 형성은 주로 ‘패배감’, ‘속박감’, ‘좌절된 소속감’, ‘인식된 짐스러움’ 등 동기 단계 요인과 관련되며, 자살 행동으로의 이행은 ‘충동성’, ‘자살 수단 접근성’, ‘죽음에 대한 두려움 감소’, ‘과거 자살 행동’ 등 실행 단계 요인에 의해 촉진된다(O’Connor, 2011). 또한, 불안의 경우 자살 계획 및 시도와 관련될 수 있다고 설명한다(O’Connor, 2011). 본 연구에서 우울이 자살 사고의 핵심 위험 요인으로 나타난 결과는, 국내 청년층 및 대학생을 대상으로 한 선행연구에서 우울이 자살 사고와 유의하게 관련되는 것으로 보고된 결과와 일치한다(Kang et al., 2024; Lee et al., 2023b). 반면, 본 연구에서는 불안과 인식된 짐스러움이 자살 시도의 핵심 위험 요인으로 확인되었다. 이는 IMV 모델의 실행단계, 즉 자살 사고가 실제 행동으로 이행되는 전환점에서 두 요인이 유의한 영향을 미칠 수 있음을 시사하는 결과이다. IMV 모델을 검증한 초기의 성인 대상 연구에서 인식된 짐스러움은 자살 사고의 위험 요인으로 다루어져 왔으나(Dhingra et al., 2015), 최근에는 자살 시도와의 직접적 관련성을 확인한 연구들이 누적되고 있다(Cleare et al., 2021). 본 연구는 IMV 모델에서 제시된 주요 위험 요인들이 국내 20대 청년층 표본에서도 일관되게 나타남을 확인함으로써 모델의 타당성을 지지하였다. 나아가, 기존에 자살 사고 단계의 위험 요인으로 다루어져 온 불안과 인식된 짐스러움이 실행 단계에서도 유의한 영향을 미치는 것으로 나타나, IMV 모델의 단계별 영향 요인 체계를 확장해야 할 필요성을 제기한다.

또한, 본 연구에서 도출된 ‘심리적 요인’은 IMV 모델에서 핵심적으로 논의되는 ‘내적 속박감’과 ‘인식된 짐스러움’뿐 아니라, ‘우울’, ‘분노’, ‘과거 부정 시간관’을 포함한다는 점에서 주목할 필요가 있다. 특히 분노는 IMV 모델에서 자살 행동을 설명하는 핵심 구성 요인으로 제시되지는 않았으나, 본 연구에서는 자살 계획의 핵심 위험 요인으로 도출되었다. 이는 자살 계획이 우울뿐 아니라 분노와도 관련될 수 있음을 시사하며, IMV 모델의 영향 요인 체계에 분노를 포함한 확장적 논의의 필요성을 제기한다. 국내 성인을 대상으로 한 연구에서도 분노 관련 특성은 자살 행동과 관련되는 것으로 보고되어 왔다. Kim 등(2023)은 분노가 자살 행동의 위험 요인으로 나타났다고 보고하였으며, 20대 성인을 대상으로 한 Yoon과 Park(2024)의 연구에서는 역기능적 분노표현이 자살 사고와 유의한 관련성을 보였고, 속박감이 역기능적 분노표현을 매개로 자살 사고에 영향을 미치는 것으로 나타났다. 그럼에도 불구하고, 이와 같은 선행연구들은 주로 자살 사고 또는 자살 행동 전반을 다루고 있어, 분노가 자살 계획에 미치는 영향을 직접적으로 검증한 근거는 아직 제한적이다. 따라서 본 연구의 결과는 분노가 자살 사고 수준에 그치지 않고 자살 계획과 같은 구체화된 위험 단계와도 관련될 가능성을 제시한다는 점에서 의의가 있다. 마지막으로 시간관(time perspective)은 개인이 과거, 현재, 미래를 인식하고 경험하는 방식과 태도를 의미하며, 이 중 ‘과거 부정 시간관’은 과거 경험을 전반적으로 부정적이고 불만족스럽게 지각하는 경향을 나타낸다(Zimbardo & Boyd, 2014). 과거 부정 시간관이 자살 시도의 핵심 위험 요인으로 확인된 본 연구의 결과는, 성인 표본에서 과거에 대한 부정적 평가 경향이 자살 행동과 연관될 수 있음을 보고한 선행 연구와도 맥락을 같이한다(Sokol et al., 2024). 이에 따라 20대 청년층의 자살 위험 평가 시 현재의 고통에 국한하지 않고 과거 경험에 대한 인식 및 해석 방식을 함께 고려해야 하며, 특히 과거의 자신을 실패자로 규정하거나 자기비난이 두드러지는 내담자의 경우 자살 위험성을 면밀히 평가할 필요가 있다.

다섯째, 본 연구에서 도출된 ‘인구사회학 및 병력 요인’은 ‘성별’, ‘만성피로’, ‘이명’, ‘만성질환 또는 장애’, ‘정신과 치료 경험’, ‘수면제 또는 수면 유도제 오남용’을 포함한다. 이러한 결과는 20대 청년층의 자살 위험이 심리적 고통에 국한되지 않고, 신체적 건강 상태 및 의료 이용 이력과 같은 생물·사회적 맥락과도 긴밀히 연결되어 있음을 보여주며, 자살 위험 평가에서 다차원적 접근의 필요성을 뒷받침한다. 국내 성인을 대상으로 진행된 연구들에 따르면 성별에 따라 자살 사고의 보고가 상이한 것으로 나타났으며(Oh et al., 2020), 만성피로가 있는 집단의 자살 위험이 유의하게 높았다(Ahn et al., 2021). 또한 네덜란드의 16세에서 25세 청소년 및 청년을 대상으로 한 연구에서는 이명과 자살 사고의 동반 양상이 보고되었으며(Vogel et al., 2014), 캐나다의 15세에서 30세의 청소년 및 청년을 대상으로 한 연구에서는 만성 신체질환과 자살 행동의 관련성이 보고되었다(Ferro et al., 2017). 더불어 한국의 자살 시도자를 대상으로 한 연구에 따르면, 자살 의도가 높을수록 자살 시도 당시 정신과 치료를 받고 있었던 비율이 높게 나타났다(Woo et al., 2018). 한편, 본 연구에서 수면제 또는 수면유도제 오남용이 자살 시도의 핵심 위험 요인으로 도출된 결과는 수면 관련 약물의 부적절한 사용이 불면, 급성 심리적 고통, 정신건강 악화, 충동적 대처가 결합된 고위험 상태를 반영할 수 있음을 시사한다. 한국 청소년을 대상으로 한 연구에서는 약물 오남용 경험이 자살 사고, 계획, 시도 전반과 유의하게 관련되는 것으로 보고되었으며(Sim, 2023), 캐나다 퀘벡의 10-24세 청소년 및 청년 입원자료를 분석한 연구에서는 진정제 오남용 관련 입원 및 진정제 관련 자살 시도의 증가가 보고되었다(Auger et al., 2024). 다만 이들 연구는 각각 약물 오남용 전반 또는 진정제 오남용을 다루고 있어, 수면제 또는 수면유도제 오남용 자체가 자살 시도를 직접 예측하는지를 검증한 근거는 아직 제한적이다. 따라서 본 연구의 결과는 수면제 또는 수면유도제 오남용을 자살 시도의 직접 원인으로 해석하기보다, 자살 시도 위험이 높아진 상태를 반영하는 것으로 해석하는 것이 적절하다. 종합하면, 인구사회학 및 병력 요인은 20대 청년층의 자살 위험을 조기에 식별하는 데 활용될 수 있다. 특히 상담 장면에서 신체 증상이나 수면 관련 약물 오남용을 보이는 내담자를 접할 때, 이를 단순한 신체적 문제로 간과하지 않고 자살 행동 위험 평가의 단서로 활용할 수 있을 것이다.

본 연구의 의의 및 시사점은 다음과 같다. 첫째, 본 연구에서는 20대 청년층의 자살 행동 고위험군 분류에 다양한 알고리즘의 성능을 비교하여 최적의 알고리즘을 확인함으로써 머신러닝 방법론의 실효성을 검증하였다. 구체적으로, 자살 사고 분류에는 LASSO 알고리즘이, 자살 계획 및 시도 분류에는 Elastic Net 알고리즘이 가장 우수한 성능을 보였다. 이는 자살 행동의 각 단계에 따라 서로 다른 최적의 분류 알고리즘을 요구한다는 점을 의미한다. 둘째, ‘자살 모방 관련 요인’, ‘자해 관련 요인’, ‘심리적 요인’, ‘인구사회학적 및 병력 요인’의 다양한 변인을 머신러닝 알고리즘에 투입하여 자살 행동 단계별 최적의 분류 모형과 핵심 위험 요인을 탐색함으로써 특정 이론에 국한되지 않고 자살 행동에 대한 여러 요인의 복합적인 영향을 규명하였다. 이는 전통적 통계 기법의 변수 투입 및 선택의 한계를 극복하고, 다양한 변인을 동시에 고려하는 방식으로 핵심 위험 요인을 도출했다는 점에서 의의가 있다. 특히, 자살 미디어 모방, 커팅 및 히팅 방식의 자해, 자해 심각도, 우울, 정신과 치료 경험은 자살 행동의 여러 단계에서 일관되게 핵심 위험 요인으로 도출되었다. 이는 자살 행동의 특정 단계에 국한되지 않고 전반에 걸쳐 일관된 영향력을 지니는 위험 요인을 도출하였다는 점에서 학술적 의의를 가진다. 셋째, 본 연구는 20대 청년층의 자살 위험을 조기에 선별하는 데 중요한 단서를 제공하며, 자살 행동의 단계에 따라 요구되는 개입 전략이 달라질 수 있음을 시사한다. 이에 본 연구는 핵심 위험 요인에 기반한 평가 및 개입 방향을 제시했다는 점에서 실무적 의의를 가진다. 나아가 본 연구에서 구축한 머신러닝 모형은 상담 및 정신건강 서비스 현장에서 추가 평가가 필요한 20대 청년을 선별하기 위한 보조적 의사결정 자료로 이해될 필요가 있다. 예컨대 상담자는 내담자의 인구사회학적 특성, 정신건강 상태, 자해 관련 변인 등을 바탕으로 산출된 위험 가능성 또는 분류 결과를 참고하여 내담자의 위험 수준을 보다 신속하게 파악할 수 있으며, 자살 행동 저위험군에서 고위험군에 이르는 단계별 개입 전략을 수립하는 데 활용할 수 있다. 또한 이러한 결과는 향후 대학상담센터나 정신건강복지센터에서 의사결정 지원 시스템(Decision Support System)을 개발할 때 참고할 수 있는 기초 자료가 될 수 있으며, 특히 전문 인력이 부족한 환경에서는 고위험군을 조기에 식별하고 상담 개입으로 연계하는 체계를 보완하는 역할을 할 수 있다.

마지막으로 본 연구의 제한점은 다음과 같다. 첫째, 자료 수집이 응답자의 자기보고 방식에 의존하였다는 점에서 방법론적 제약이 있다. 자기보고 자료는 자살 행동과 같은 민감한 주제에 대해 응답자의 문항 해석 차이나 사회적 바람직성 편향과 같은 영향을 받을 수 있어 측정의 정확성에 한계가 있을 수 있다(Millner et al., 2015; Podsakoff et al., 2003). 다만 본 연구와 같은 익명의 조사방식은 민감한 주제에 대한 심리적 부담을 완화하여 응답을 보다 솔직하게 이끌어낼 가능성도 있으므로, 자기보고 자료를 일률적으로 낮은 타당도의 자료로 보기는 어렵다. 또한 본 연구에서 보고된 20대 청년층의 자살 행동 비율(자살 사고 31.8%, 자살 계획 8.2%, 자살 시도 4.3%)은 동일 연령대의 국가 통계와 비교할 때 상대적으로 높은 수준으로 나타났다. 2022년 기준 우리나라 19~29세 성인의 자살 사고율은 7.3%, 자살 계획률은 1.1%, 자살 시도율은 0.7%로 보고된 바 있다(한국생명존중희망재단, 2024). 이러한 차이는 자기보고 자료의 특성과 조사방식에 따른 응답 경향, 표본 구성의 차이에서 비롯되었을 가능성을 함께 고려할 필요가 있다. 따라서 후속 연구에서는 자기보고 설문의 장점을 유지하되, 조사방식에 따른 응답 특성을 함께 고려하고 필요에 따라 반복 측정, 심층 면담 및 임상적 관찰과 같은 다각적인 자료 수집 방법을 병행함으로써 응답자의 실제 경험과 자기보고 간의 차이를 보다 정교하게 검토할 필요가 있다. 둘째, 본 연구는 제한된 표본 수와 다수의 독립변수를 활용하였다는 점에서 표본의 특성에 과도하게 적합(overfitting)된 결과가 도출되었을 가능성을 완전히 배제하기는 어렵다. 특히 머신러닝은 복잡한 변수 간 관계를 포착할 수 있다는 장점을 지니는 반면, 데이터의 특수한 패턴이나 우연적 변동까지 함께 학습할 경우 다른 표본이나 모집단에 적용했을 때 분류 성능이 저하될 가능성이 있다. 또한 본 연구에서 제시한 머신러닝 분류 결과는 사용된 독립변수의 구성과 표본 특성에 영향을 받을 수 있으므로 결과의 일반화 가능성에 대해서도 신중한 해석이 요구되며, 동일한 변수 구성이 다른 표본에서도 유사한 분류 성능을 보이는지에 대한 추가적인 검증이 필요하다. 본 연구는 변수 선정에 있어 단순한 데이터 기반 탐색에만 의존하지 않고 선행연구와 이론적 근거를 바탕으로 수행하였으며, 알고리즘 간의 비교를 통해 분류 성능의 안정성을 검토하고자 하였다는 점에서 이러한 제한점을 일부 보완하고자 하였다. 그럼에도 후속 연구에서는 외부 표본을 활용한 검증이나 재현 연구를 통해 모형의 일반화 가능성을 보다 엄밀하게 확인할 필요가 있다. 셋째, 본 연구는 자살 사고, 계획, 시도를 각각 이분형 변수로 설정하고 최근 1년 이내의 발생 여부를 기준으로 측정하였다. 그러나 자살 사고를 측정함에 있어 자살 사고의 빈도, 지속 기간, 침투적 강도와 같은 중요한 정보들이 이분형 분류 과정에서 간과될 수 있으며, 자살 사고 발생 시점에 따른 위험도의 차이 또한 적절히 구분되지 않을 가능성이 있다. 또한, 본 연구에서는 자살 행동의 각 단계에 따른 핵심 위험 요인을 규명하기 위해 자살 사고, 계획, 시도를 독립적인 종속 변수로 설정하였다. 이러한 방식은 자살 행동의 단계별 핵심 위험 요인을 파악하는 데 유용하나, IMV 모델이 전제하는 자살 사고에서 실행으로 이어지는 위계적 과정을 충분히 반영하지 못하였다는 점에서 이론적 정합성이 부분적으로 제약될 수 있다. 넷째, 본 연구는 횡단 자료를 활용하였으므로 설명변수와 결과변수 간의 시간적 선후관계를 확인할 수 없다. 따라서 본 연구에서 구축한 모형은 특정 시점 이후의 자살 행동 발생을 예후적으로 예측하는 모형이라기보다, 동일 조사에서 측정된 변인들을 바탕으로 최근 1년 이내 자살 행동 경험 여부를 분류하는 모형으로 해석되어야 한다. 후속 연구에서는 종단자료를 활용하여 특정 시점의 심리적·대인관계적·자해 관련 변인이 이후 자살 행동 발생을 예측하는지 검증할 필요가 있다. 마지막으로, 본 연구는 20대 전체를 단일 집단으로 간주하고 분석하였으므로 향후 성별 등 세부적 하위 집단에 따른 핵심 위험 요인의 차이를 비교하고 분석하는 후속 연구가 요구된다.

이러한 한계에도 불구하고, 본 연구는 머신러닝 기법을 활용하여 20대 청년층의 자살 행동 관련 핵심 위험 요인을 포괄적으로 규명하고, 조기 선별 및 다차원적 개입의 실증적 근거를 제시했다는 점에서 그 기여가 분명하다.