Suicide is a multifaceted phenomenon influenced by a range of social, psychological, and environmental factors. To comprehensively analyze these factors, initially suicide notes were utilized to uncover the psychosocial process in the decision to commit suicide. However recently, machine learning (ML) techniques have been increasingly employed for the identification and prediction of suicidal thoughts and behaviors (STBs). While ML holds significant promise, concerns have been raised regarding the potential overestimation of prediction performance in ML models and the limited empirical contributions of ML-focused studies to suicide research. Moreover, existing research predominantly emphasizes the predictive accuracy of ML algorithms, often neglecting the practical considerations necessary for real-world implementation. This review aims to critically examine notable ML studies in suicide research, identify key methodological strengths and limitations, and propose actionable pathways to enhance the practical utility of ML models. Our findings highlight the importance of data quality and type in shaping ML applications, address critical issues specific to various ML methodologies, and outline four key considerations for the effective integration of ML into suicide prevention efforts. Ultimately, we advocate for a paradigm shift from a prediction-centric approach to a feasibility-oriented framework, paving the way for the responsible and impactful use of ML techniques in suicide prediction and monitoring.
자살은 사회적, 심리적, 환경적 요인들이 복합적으로 작용하는 다면적인 현상으로, 이러한 요인들을 체계적으로 분석하기 위해 기계 학습(ML) 기법이 자살 생각과 행동(STBs)의 식별 및 예측에 활용되고 있는 상황이다. ML은 자살 연구에서 높은 잠재력을 보이는 도구이지만, 예측 성능이 과대평가될 가능성 및 ML 중심 연구의 실증적 기여 부족에 대한 우려가 제기되고 있는 실정이다. 또한, 현재의 ML 연구는 알고리즘의 예측 정확성에 지나치게 초점을 맞추는 경향이 있으며, 현실적 적용을 위한 실질적인 고려가 부족한 실태이다. 본 연구는 자살 연구에서 주목할 만한 텍스트-기반 ML 관련 연구들을 검토하여 주요 강점과 한계를 분석하고, 유서를 사용한 이전 연구들을 정리하여, 자살 예방적인 차원에서 실질적인 활용 가능성을 높이기 위한 연구 방향을 제안하는 데 목적이 있다. 본 리뷰는 데이터의 유형과 품질이 ML 응용의 효과에 미치는 중요성을 강조하며, ML 방법론에 따른 주요 쟁점을 논의하고, 자살 예방 연구에서 ML을 효과적으로 통합하기 위한 네 가지 주요 고려 사항을 제시한다. 나아가, 단순히 예측 성능에만 중점을 두는 접근에서 벗어나 실행 가능성과 현실적 응용에 초점을 둔 연구로 전환할 필요가 있음을 제안하며, 자살 예측 및 모니터링에서 ML 기술을 책임감 있게 활용할 수 있는 기반을 마련하는 데 기여하고자 한다.
