BurnoutWords

Dans ce projet, la détection du syndrome d'épuisement professionnel (burnout) avec la puissance du traitement du langage naturel permet de préparer les méthodes numériques du futur en psychologie.

Fiche signalétique

  • Département responsable Technique et informatique
  • Institut Institute for Data Applications and Security (IDAS)
  • Unité de recherche IDAS / Applied Machine Intelligence
  • Organisation d'encouragement FNS
  • Durée (prévue) 01.03.2021 - 28.02.2022
  • Responsable du projet Prof. Dr. Mascha Kurpicz-Briki
  • Direction du projet Prof. Dr. Mascha Kurpicz-Briki
  • Mots-clés burnout, psychology, natural language processing, computer science

Situation

Des études montrent que de nombreux travailleurs sont souvent ou toujours stressés au travail ou se sentent épuisés après le travail. Parfois, un tel stress chronique au travail peut conduire à un burnout. En 2019, l'Organisation mondiale de la santé (OMS) a intégré le burnout dans la 11th Revision of the International Classification of Diseases (ICD-11) en tant que syndrome. L'identification clinique de ce syndrome s'avère parfois difficile, car les symptômes se chevauchent souvent avec d'autres syndromes ou pathologies, comme la dépression. En psychologie clinique, on utilise des questionnaires (inventories) pour identifier le burnout, qui sont basés sur des questions à choix multiples à cocher. Dans la littérature spécialisée, cette procédure, même si elle a fait ses preuves et est régulièrement utilisée dans des études et dans la pratique clinique quotidienne, est parfois remise en question. Les problèmes avec de tels questionnaires peuvent être que les patient-e-s ne répondent pas honnêtement ou évitent les réponses les plus extrêmes (ou les choisissent particulièrement souvent).

Visualisierung zum Text.
Das BurnoutWords Projekt wird vom SNF unterstützt.

Approche

Un grand potentiel réside dans l'extension de ces questionnaires avec des questions ouvertes ou l'analyse de transcriptions d'entretiens. Jusqu'à présent, de telles approches ne se sont pas encore imposées en raison de la complexité de l'analyse manuelle. Dans ce projet, des technologies innovantes issues de l'informatique et en particulier du domaine de la linguistique informatique (en anglais Natural Language Processing) sont associées aux outils existants de la psychologie clinique. Grâce à l'analyse automatique de textes, les bases seront créées pour établir de nouvelles méthodes de détection du burnout.

Résultat

Le projet examine, à l'aide de différentes données, comment les textes de personnes touchées par le burnout se distinguent de ceux d'autres personnes, en utilisant des méthodes issues du domaine du machine learning. Des textes anonymes dans différentes langues (allemand, anglais, français) ont été examinés dans différentes configurations et les premiers résultats prometteurs ont été enregistrés. Dans une publication scientifique récente, l'équipe du projet a présenté une nouvelle méthode de détection du burnout dans des textes en anglais : Des textes anonymes ont été classés en trois catégories, selon le thème et en partie au moyen d'une sélection manuelle : Burnout, dépression et un groupe de contrôle composé de divers autres thèmes. Sur cette base, différents systèmes (appelés classifiers) ont été entraînés au moyen de l'apprentissage automatique. Afin d'obtenir le meilleur résultat possible, ces systèmes ont ensuite été combinés pour former ce que l'on appelle un Ensemble Classifier. Une section de texte qui doit être évaluée par le système est évaluée par les différents classifiers, qui déterminent s'il y a une indication de burnout. L'ensemble classifier détermine ensuite, par un vote sur les différents résultats des différents classifiers, si une indication pour un burnout doit être supposée ou non.

Perspectives

Les résultats de ce projet initial, qui explore les bases, sont prometteurs et vont maintenant être validés. Des études plus approfondies doivent également être menées sur les autres langues (en particulier l'allemand et le français). En raison des données anonymes utilisées dans les études précédentes, les données d'entraînement doivent être élargies afin d'éviter tout biais. Il faut s'assurer que les données d'entraînement finales pour un tel système couvrent le mieux possible tous les groupes de la société. L’équipe étudie en outre à quoi devrait ressembler à l'avenir un outil clinique basé sur cette technologie. La recherche se situe dans le domaine de l'intelligence augmentée et soutiendrait le ou la spécialiste clinique. L'objectif de l'intelligence augmentée est d'aider les personnes dans leurs tâches quotidiennes au moyen de l'intelligence artificielle, et pas de les remplacer.