Publicación: Predicción de riesgo de Burnout laboral mediante machine learning
Portada
PDF 
FLIP 
Archivo Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Director
Fecha
Resumen en español
La presentación, titulada Predicción de riesgo de Burnout laboral mediante machine learning, es un proyecto de la Especialización en Machine Learning de la Universidad Ean (Bogotá, 2026). Parte de que los métodos tradicionales para detectar el burnout son reactivos y llegan con 6 a 12 meses de retraso. Por eso propone un modelo predictivo que identifique el riesgo antes de que se manifieste. Se usó un dataset sintético de 1.500 registros de los sectores financiero, medios y publicidad. Las cinco variables predictoras, basadas en el modelo JD-R (Karasek, Bakker y Demerouti), son carga laboral, estrés percibido, horas de trabajo y conflicto de rol (demandas), y apoyo del liderazgo (recurso protector). Se compararon cuatro algoritmos: Regresión Logística, Random Forest, XGBoost y una red neuronal MLP, con división 80/20 y validación cruzada de 5 pliegues. El mejor resultado fue para la Regresión Logística, el modelo más simple: 84% de accuracy, AUC-ROC de 0,929 y recall de 81,1%. El estrés fue el factor de mayor peso, seguido de la carga laboral. El apoyo del líder actúa como factor protector, lo que valida los modelos teóricos.
Resumen en inglés
The presentation, titled predicting workplace Burnout risk using Machine Learning, is a project from the Machine Learning Specialization at Universidad EAN (Bogotá, 2026). It starts from the premise that traditional burnout detection methods are reactive and lag 6 to 12 months behind. It therefore proposes a predictive model that identifies risk before it manifests. The study used a synthetic dataset of 1,500 records from the financial, media, and advertising sectors. The five predictor variables, based on the JD-R model (Karasek, Bakker, and Demerouti), are workload, perceived stress, working hours, and role conflict (demands), plus leadership support (a protective resource). Four algorithms were compared: Logistic Regression, Random Forest, XGBoost, and an MLP neural network, using an 80/20 train-test split and 5-fold cross-validation. The best performer was Logistic Regression, the simplest model: 84% accuracy, AUC-ROC of 0.929, and 81.1% recall. Stress carried the most weight, followed by workload. Leadership support acts as a protective factor, which validates the theoretical models.