使用韩国职业压力表 (KOSS) 预测倦怠综合征风险:一种机器学习方法
Hyeonju Jeong1, Seong-Cheol Yang2, Shin-Goo Park2,3
1Graduate School of Data Science, Chonnam National University, Gwangju, Republic of Korea.
Safety and health at work
|January 1, 2026
概括
机器学习模型使用职业压力因素有效预测倦怠综合征 (BOS) 风险. 这种方法可以提前识别有风险的员工,提高BOS评估的成本效益和可扩展性.
科学领域:
- 职业健康 职业健康 职业健康 职业健康
- 精神病学是一个精神病学.
- 数据科学是数据科学.
背景情况:
- 工作场所的变化增加了职业压力,导致倦怠综合征 (BOS).
- 韩国倦怠综合症量表 (KBOSS) 面临的局限性是由于耻辱和低合规性.
- 需要客观,可扩展的方法来评估BOS风险.
研究的目的:
- 开发机器学习 (ML) 模型来预测BOS风险.
- 确定导致BOS的主要职业压力因素.
- 为传统的 BOS 评估工具提供可扩展的替代方案.
主要方法:
- 在40家公司的1205名个人数据集上评估了5个ML算法.
- 利用重新采样和5倍网格搜索交叉验证来优化模型.
- 雇员 SHAP 分析以确定有影响力的职业压力因素并量化其贡献.
主要成果:
- 所有五种ML模型都显示出强大的预测性能,Random Forest的ROC-AUC为0.904.
- SHAP分析确定"工作不稳定性"和"缺乏奖励"是主要的BOS风险因素.
- 在KOSS因子反应中确定了关键的过渡点,与BOS风险相关.
结论:
- 机器学习模型可以有效地预测来自职业压力因素的BOS风险.
- 早期识别有风险的员工可以提高成本效益和干预的可扩展性.
- 这种基于机器学习的方法为主动的BOS管理提供了有前途的解决方案.

