预测办公室工作者的生产力:一个机器学习方法,整合生理,行为和心理指标
Mohamad Awada1, Burcin Becerik-Gerber1, Gale Lucas2
1Department of Civil and Environmental Engineering, University of Southern California, Los Angeles, CA 90089, USA.
Sensors (Basel, Switzerland)
|November 14, 2023
概括
这项研究使用机器学习来通过分析生理,行为和心理数据来预测办公室工作者的生产力. 纳入心理状态显著提高了预测准确性,强调情绪和压力作为关键因素.
科学领域:
- 人与计算机的交互
- 机器学习应用 机器学习应用
- 职业健康心理学 职业健康心理学
背景情况:
- 办公室员工的生产力对于组织的成功至关重要.
- 准确评估生产力是具有挑战性的,因为它的主观性质.
- 了解生理,行为和心理因素的相互作用是提高生产力的关键.
研究的目的:
- 开发和评估一种机器学习框架,用于预测办公室工作者的生产力.
- 将仅包含生理和行为数据的模型的预测性能与包括心理状态的模型进行比较.
- 确定生产率的关键预测因素,并评估不同数据收集方法的有效性.
主要方法:
- 利用各种机器学习模型,包括XGBoost,来预测心理状态和生产力.
- 将基线模型 (生理,行为数据) 与扩展模型 (包括心理状态) 进行比较.
- 分析了功能重要性,并将可穿戴设备 (Empatica E4,H10 Polar) 的数据与工作站附加组件 (Kinect,计算机使用监控) 的数据进行了比较.
主要成果:
- 扩展模型的表现明显优于基线模型,实现R2=0.60和MAE=10.52,而R2=0.48和MAE=16.62.
- 情绪和压力被确定为生产力的重要预测因素,以及生理和行为特征.
- 与工作站附加组件相比,可穿戴设备在预测生产率方面表现优越.
结论:
- 整合心理状态的机器学习框架提高了对办公室工作人员生产力的预测.
- 可穿戴设备为独立生产力评估提供了一个有希望的方法.
- 智能工作站可以利用这些模型创建适应性环境,促进生产力和福祉.
