BurnoutWords
Burnouterkennung durch Computerlinguistik - in diesem innovativen Projekt werden die Grundlagen für zukünftige digitale Methoden der Psychologie geschaffen.
Steckbrief
- Beteiligte Departemente Technik und Informatik
- Institut(e) Institute for Data Applications and Security (IDAS)
- Forschungseinheit(en) IDAS / Applied Machine Intelligence
- Förderorganisation SNF
- Laufzeit (geplant) 01.03.2021 - 28.02.2022
- Projektleitung Prof. Dr. Mascha Kurpicz-Briki
- Schlüsselwörter burnout, psychology, natural language processing, computer science, ai4socialgood, Sprachverarbeitung
Ausgangslage
Studien zeigen, dass viele Arbeitnehmende oft oder immer gestresst sind am Arbeitsplatz, oder sich nach der Arbeit erschöpft fühlen. Manchmal kann so ein chronischer Stress am Arbeitsplatz zu einem Burnout führen. Die Weltgesundheitsorganisation WHO hat das Burnout 2019 in der 11th Revision of the International Classification of Diseases (ICD-11) als Syndrom aufgenommen. Die klinische Erkennung dieses Syndroms gestaltet sich manchmal schwierig, da die Symptome oftmals mit anderen Syndromen oder Krankheitsbildern überlappen, beispielsweise mit Depression. In der klinischen Psychologie werden Fragebögen (inventories) verwendet, um Burnout zu identifizieren, welche auf Multiple-Choice-Fragen zum Ankreuzen basieren. In der Fachliteratur wird dieses Vorgehen, auch wenn es sich bewährt hat und regelmässig in Studien und im klinischen Alltag eingesetzt wird, teilweise in Frage gestellt. Probleme mit solchen Fragebögen können sein, dass Patient*innen nicht ehrlich antworten oder die extremeren Antworten meiden (oder besonders oft auswählen).
Vorgehen
Viel Potenzial liegt in der Erweiterung solche Fragebögen mit offenen Fragen, oder der Analyse von Transkripten von Gesprächen. Bisher haben sich solche Ansätze auf Grund der aufwendigen manuellen Auswertung jedoch noch nicht durchgesetzt. In diesem Projekt werden innovative Technologien aus der Informatik und insbesondere dem Bereich der Computerlinguistik (engl. Natural Language Processing) mit den bestehenden Werkzeugen der klinischen Psychologie zusammengebracht. Durch automatische Textanalyse werden die Grundlagen geschaffen, neue Methoden zur Erkennung von Burnout zu etablieren.
Ergebnisse
Das Projekt untersucht an Hand verschiedener Datensätze, wie sich Texte von Burnout Betroffenen von solchen von anderen Personen unterscheiden, unter der Verwendung von Methoden aus dem Bereich des maschinellen Lernens. In unterschiedlichen Setups wurden anonymisierte Texte in verschiedenen Sprachen (Deutsch, Englisch, Französisch) untersucht und erste vielversprechende Resultate konnten verzeichnet werden. In einer vor kurzem veröffentlichten wissenschaftlichen Publikation hat das Projektteam eine neue Methode zur Burnouterkennung in englischen Texten vorgestellt: Anonymisierte Texte wurden, je nach Thema und teilweise mittels manueller Selektion, in drei Kategorien eingeteilt: Burnout, Depression und eine Kontrollgruppe aus diversen anderen Themen. Basierend darauf wurden verschiedene Systeme (sog. Classifier) mittels maschinellen Lernens trainiert. Um ein bestmögliches Ergebnis zu erzielen, wurden diese Systeme dann zu einem sogenannten Ensemble Classifier kombiniert. Ein Textabschnitt, der mittels des Systems ausgewertet werden soll, wird durch die verschiedenen Classifier evaluiert, welche feststellen, ob eine Indikation für Burnout vorliegt. Durch eine Abstimmung über diese verschiedenen Ergebnisse der einzelnen Classifier legt der Ensemble Classifier dann fest, ob insgesamt von einer Indikation für Burnout ausgegangen werden soll, oder nicht.
Ausblick
Die Resultate aus diesem initialen Projekt, welches die Grundlagen erforscht, sind vielversprechend und werden nun weiter validiert. Es sollen ausserdem weitergehende Studien zu den anderen Sprachen (insbesondere Deutsch und Französisch) durchgeführt werden. Wegen der vollständig anonymisierten Daten in den bisherigen Studien müssen ausserdem die Trainingsdaten erweitert werden, um ein Bias zu verhindern. Es muss sichergestellt werden, dass die finalen Trainingsdaten für ein solches System alle Gruppen der Gesellschaft möglichst gut abdecken. Es wird ausserdem untersucht, wie ein klinisches Tool basierend auf dieser Technologie in Zukunft aussehen müsste. Die Forschung bewegt sich im Feld der Augmented Intelligence und würde in einem späteren Einsatz die klinische Fachperson unterstützen. Augmented Intelligence hat das Ziel, Menschen mittels künstlicher Intelligenz bei ihren täglichen Aufgaben zu unterstützen, und nicht zu ersetzen.
