IA na Saúde Mental: Previsão da Taxa de Burnout em Colaboradores Corporativos por meio de Aprendizado de Máquina
Resumo
O burnout é reconhecido pela Organização Mundial da Saúde (OMS) como um risco ocupacional que impacta diretamente a saúde mental e a produtividade. Este estudo avaliou doze modelos de aprendizado de máquina para prever a taxa de burnout utilizando o dataset Burnout Among Corporate Employees (Harvard Dataverse). Foram aplicadas técnicas de pré-processamento, análise exploratória e treinados seis modelos individuais e seis modelos ensembles. A comparação de desempenho revelou padrões relevantes e destacou o potencial das técnicas de ensemble learning para diagnóstico preditivo e apoio à tomada de decisão em gestão de recursos humanos.Referências
Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. O’Reilly Media, Sebastopol, CA, 2 edition.
Havard Dataverse (2025). Burnout among corporate employees. DOI: 10.7910/DVN/VG6KQD. Publicado em: 14 abr. 2025. Acesso em: 10 set. 2025.
Hladiholov, S. S. and Mokin, O. B. (2023). Comparative analysis of machine learning models for predicting employee burnout. Visnyk VNTU, (5):25–31.
Maslach, C. and Leiter, M. P. (2016). Understanding the burnout experience: recent research and its implications for psychiatry. World Psychiatry, 15(2):103–111.
Organização Mundial da Saúde (2020). Classificação estatística internacional de doenças e problemas relacionados à saúde – cid-11. [link]. Acesso em: 10 set. 2025.
Reddy, R. E. and Santhi, K. (2024). Exploring mental fatigue and burnout in the workplace: A survival analysis approach. EAI Endorsed Transactions on Pervasive Health and Technology, 10(1):e5.
Saranya, T. S., Kumar, A., and Rao, V. (2025). Deep learning frameworks for early detection of occupational burnout. SSRN Electronic Journal.
Wilton, R., Turner, M., and Hall, D. (2024). The brownie study: Wearable-based monitoring for early detection of burnout. BMC Nursing, 23:1711.
Havard Dataverse (2025). Burnout among corporate employees. DOI: 10.7910/DVN/VG6KQD. Publicado em: 14 abr. 2025. Acesso em: 10 set. 2025.
Hladiholov, S. S. and Mokin, O. B. (2023). Comparative analysis of machine learning models for predicting employee burnout. Visnyk VNTU, (5):25–31.
Maslach, C. and Leiter, M. P. (2016). Understanding the burnout experience: recent research and its implications for psychiatry. World Psychiatry, 15(2):103–111.
Organização Mundial da Saúde (2020). Classificação estatística internacional de doenças e problemas relacionados à saúde – cid-11. [link]. Acesso em: 10 set. 2025.
Reddy, R. E. and Santhi, K. (2024). Exploring mental fatigue and burnout in the workplace: A survival analysis approach. EAI Endorsed Transactions on Pervasive Health and Technology, 10(1):e5.
Saranya, T. S., Kumar, A., and Rao, V. (2025). Deep learning frameworks for early detection of occupational burnout. SSRN Electronic Journal.
Wilton, R., Turner, M., and Hall, D. (2024). The brownie study: Wearable-based monitoring for early detection of burnout. BMC Nursing, 23:1711.
Publicado
03/12/2025
Como Citar
FARACHE JUNIOR, Lenilson D.; OLIVEIRA, Jéssica M. C.; FONTENELE, Antonio P.; COSTA, Luciana R.; S. JUNIOR, Rely D. F.; AMORIM, Viviane S.; CRUZ, Carlos A. M..
IA na Saúde Mental: Previsão da Taxa de Burnout em Colaboradores Corporativos por meio de Aprendizado de Máquina. In: ESCOLA REGIONAL DE ALTO DESEMPENHO NORTE 2 (ERAD-NO2) E ESCOLA REGIONAL DE APRENDIZADO DE MÁQUINA E INTELIGÊNCIA ARTIFICIAL NORTE 2 (ERAMIA-NO2), 5. , 2025, Marabá/PA.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2025
.
p. 5-8.
DOI: https://doi.org/10.5753/erad-eramia-no2.2025.17122.
