Title
Machine Learning: A Data Driven Burnout Risk Analysis
Author
Souto Lima, E.
van Stokkum, R.
van der Klauw, M.
Hooftman, W.E.
Publication year
2022
Abstract
Dit rapport bevat een beschrijving van de aanleiding, methoden en resultaten van het project “Machine Learning: A Data Driven Burnout Risk Analysis”, uitgevoerd in het voorjaar van 2019. In dit project zijn moderne machine learning (ML) algoritmes gebruikt om op een data gedreven manier oorzaken te vinden van burn-out symptomen in het meerjarenbestand van de Nationale Enquête Arbeidsomstandigheden (NEA). De dataset gebruikt in dit onderzoek bestaat uit 111.761 respondenten en beslaat 21 verschillende domeinen omtrent de werksituatie van werknemers in Nederland.Van de verschillende onderzochte algoritmes leidde eXtreme Gradient Boosting (XGBoost) tot de beste resultaten met een accuraatheid van 87% in het verklaren van burn-out symptomen. Het interpreteren van het resulterende ‘black box’ model is aan de hand van het Shapely Addictive Values (SHAP) gedaan, een recente techniek welke de complexe gevonden relaties overzichtelijk weergeeft. De resultaten laten zien dat burn-out symptomen gerelateerd zijn aan lage werkvoldoening, hoge taakeisen, weinig ervaren steun vanuit het management, lage algemene gezondheid en een slechte werk-privé balans. Ook behoren jongere werknemers, zeker in combinatie met kinderen, tot een risicogroep. Deze gevonden effecten zijn niet nieuw.
Subject
Machine learning (ML)
Algoritmes
Werknemers
Burnout
Stress
Taakeisen
Gezondheid
To reference this document use:
http://resolver.tudelft.nl/uuid:c24e9293-b793-4320-aa02-e85f065e2f1d
TNO identifier
962381
Report number
TNO 2022 R10016
Publisher
TNO, Leiden
Document type
report