Intelligence artificielle : Détecter le burn-out grâce au traitement naturel du langage (NLP)

L’épuisement professionnel, ou burn out, est un état de fatigue profonde à la fois physique et psychique résultant d’un stress chronique dans le cadre du travail. Mascha Kurpicz-Briki, professeure en ingénierie des données à la Haute Ecole Spécialisée Bernoise à Bienne, et son équipe de scientifiques soutenus par le Fonds national suisse (FNS) viennent de mettre au point une méthode permettant sa détection, basée sur l’analyse automatique de textes. L’étude intitulée « BurnoutEnsemble : intelligence augmentée pour détecter les indications de burnout en psychologie clinique » dans « Frontiers in Big Data ».

Dans une étude portant sur près de 10 000 adultes actifs de 8 pays européens, il a été constaté que 18 % des personnes interrogées se sentent stressées quotidiennement, et 30% d’entre elles à un tel point qu’elles envisagent de changer d’emploi. Ce stress peut aller jusqu’à entraîner un épuisement professionnel ou burn-out.

L’identification clinique de ce syndrome est difficile car les symptômes ressemblent à ceux de la dépression ou de l’anxiété, entre autres. Pour le détecter, les psychologues se basent sur des tests psychologiques dans lesquels les patients remplissent un questionnaire en cochant des questions à choix multiples comme le « Maslach Burnout Inventory », composé de 22 questions à choix multiples réparties en trois catégories : épuisement professionnel, dépersonnalisation/perte d’empathie et évaluation de la performance personnelle.

Exemple de question-réponse type : « Je me sens à bout à la fin de ma journée de travail: jamais/quelquefois/chaque jour ». Certaines personnes n’osent pas cocher les réponses « jamais » et « chaque jour » ou alors sont tentées de mentir pour influencer les résultats.

Des questionnaires plus complets, composés de questions ouvertes, peuvent également être utilisés pour détecter le burn-out. Bien qu’ils apportent des informations plus pertinentes, ils nécessitent un important travail d’analyse et ne sont donc pas appliqués.

Une recherche basée sur l’analyse de textes

L’équipe de Mascha Kurpicz-Briki a mis à profit l’intelligence artificielle dans une méthode qui analyse automatiquement des textes et identifie, sur cette base, si le langage relève du burn-out ou pas. L’objectif est d’étudier si ces questions en texte libre sont efficaces et de développer une métrique automatisée pour évaluer ces questions. Avec succès : la méthode identifie correctement 93% des cas de burn-out. La scientifique déclare :

« Le traitement automatique du langage est efficace pour détecter le burn-out tout en étant peu chronophage, ce qui est très prometteur. »

Collecte de données

Dans le cadre de ce travail, la scientifique a analysé avec son équipe des textes issus de la plateforme Reddit, un site internet communautaire anglophone qui fonctionne comme un forum de discussions organisé par thématiques. Bien qu’il existe un subreddit dédié au burnout, le nombre d’entrées était trop faible pour fournir un ensemble de données suffisamment volumineux, l’équipe a donc ajouté des textes provenant de forums thématiques variés.

Elle a ainsi constitué un ensemble de données composé de 13 568 échantillons décrivant des expériences de première main, dont 352 sont liés à l’épuisement professionnel et 979 à la dépression. Elle a ensuite eu recours à l’apprentissage automatique pour mettre au point une méthode qui évalue si un texte relève du burn-out ou non.

Concrètement, elle a d’abord classé les extraits de texte récoltés :

  • Les textes des fils de discussion sur le burn-out ont été classés manuellement, afin d’exclure ceux où le burn-out faisait référence à autre chose.
  • Les textes provenant d’autres fils de discussion, non liés à la santé mentale, ont été étiquetés comme n’étant pas liés au burn-out.

Sur la base de ces exemples, elle a entraîné plusieurs modèles. Chacun utilisait différentes configurations pour déterminer si un texte (jamais vu par le modèle) contenait des indications sur le burn-out ou non. Ces modèles ont ensuite été mis en commun dans le cadre de la méthode de diagnostic qui s’est révélée très efficace.

Si ces résultats sont prometteurs, la collaboration d’expertes et experts médicaux est notamment nécessaire dans une prochaine étape pour vérifier les conclusions de cette étude sur des cas réels de burn-out et sur un échantillon représentatif de la population. Les données récoltées sur Reddit sont en effet anonymes.

Les auteurs soulignent que ce travail est orienté vers l’approche de l’intelligence augmentée plutôt que vers l’intelligence artificielle : au lieu de remplacer les professionnels cliniques, il s’efforce d’adopter une technologie qui responsabilise les humains dans le processus de prise de décision, en fournissant des informations à prendre en compte dans la prise de décision humaine.

Sources de l’article : G. Merhbene, S. Nath, A. Puttick, M. Kurpicz-Briki: Burn-outEnsemble: Augmented Intelligence to Detect Indications for Burn-out in Clinical Psychology. Frontiers in Big Data (2022).

We would love to thank the writer of this article for this remarkable material

Intelligence artificielle : Détecter le burn-out grâce au traitement naturel du langage (NLP)

You can view our social media profiles here and other pages on related topics here.https://www.ai-magazine.com/related-pages/