Емоційне вигорання є складним психологічним синдромом, що проявляється емоційним виснаженням, деперсоналізацією та зниженням почуття власних досягнень [1,2]. Його формування пов’язане з тривалим психоемоційним навантаженням, професійним стресом та дефіцитом ресурсів для відновлення, що зрештою призводить до зниження мотивації, концентрації уваги й загальної продуктивності [2,3]. Початкові дослідження Фройденбергера (1974) [1] акцентували увагу на симптомах у соціальних працівників, однак із часом синдром вигорання почали розглядати у ширшому професійному та соціальному контексті - в медицині, освіті, корпоративному секторі та навіть серед студентів.
Сучасні дослідження все частіше трактують емоційне вигорання не лише як психологічний феномен, але й як стан із вираженою біопсихосоціальною природою. Виявлено, що окрім суб’єктивних відчуттів, у людей із симптомами вигорання спостерігаються зміни у фізіологічних і нейрофізіологічних процесах, зокрема у спектральних характеристиках ЕЕГ, варіабельності серцевого ритму, рівнях гормонів стресу та реакціях нервової системи [4,5]. Це відкриває можливості для використання об’єктивних показників у діагностиці синдрому, що особливо важливо з огляду на обмеженість класичних психометричних опитувальників, таких як Maslach Burnout Inventory (MBI), які залежать від усвідомленості та готовності респондента адекватно оцінювати власний стан [2,3]. Сучасний напрямок досліджень спрямований на інтеграцію психометричних шкал із фізіологічними та нейрофізіологічними показниками. Це дозволяє формувати багатовимірний профіль емоційного вигорання та виявляти його навіть на ранніх етапах. Водночас для аналізу таких комплексних даних все активніше застосовуються методи машинного навчання та глибокого навчання (нейронних мереж), що здатні обробляти великі обсяги інформації та виявляти приховані закономірності, недоступні класичним статистичним підходам [6,7].
У нашому дослідженні загалом брали участь 257 осіб, проте для поставленої задачі було відібрано 80 учасників. Вони проходили психометричні опитувальники Maslach Burnout Inventory, під час яких одночасно проводилося вимірювання ЕЕГ. З даних ЕЕГ розраховувалися нормовані спектральні густини потужності для 19 ЕЕГ каналів. Поєднання психометричних і нейрофізіологічних показників дало змогу класифікувати учасників на дві категорії: наявність емоційного вигорання та його відсутність. У дослідженні було використано алгоритми машинного навчання: градієнтний бустинг, випадковий ліс, метод опорних векторів і логістичну регресію, а також багатошарову нейронну мережу, що реалізує концепцію глибокого навчання для аналізу багатовимірних психофізіологічних даних. Для запобігання перенавчанню застосовувалися оптимізація гіперпараметрів, перехресна валідація, а також відбір ознак і балансування класів.
Результати проведеного дослідження показали, що серед використаних класичних алгоритмів машинного навчання не вдалося отримати достатньо високих показників для якісного прогнозування емоційного вигорання. Хоча окремі моделі продемонстрували прийнятний рівень точності, їх ефективність залишалася обмеженою у випадках складних та багатовимірних взаємозв’язків між ознаками. Це підтвердило очікування, що традиційні алгоритми мають труднощі з урахуванням нелінійних залежностей у психологічних і нейрофізіологічних даних. Натомість багатошарова нейронна мережа продемонструвала суттєво вищу ефективність. Використана архітектура включала два приховані повнозв’язні шари з функціями активації ReLU, а також регуляризаційні методи dropout і batch normalization, що дозволило уникнути перенавчання та покращити узагальнювальну здатність моделі. За підсумками експериментів саме ця модель забезпечила найкращі результати: точність класифікації склала 87%, значення F1 - 0.84, а площа під ROC-кривою (ROC-AUC) - 0.91. Усі ці показники перевершили результати класичних підходів, що свідчить про перевагу нейронних мереж у завданнях прогнозування емоційного вигорання.
Отримані результати підтверджують концепцію біопсихосоціальної природи вигорання та показують, що саме комплексний підхід до збору даних та їх аналізу є найбільш ефективним. Разом із тим залишаються певні виклики. Дисбаланс класів та мультиколінеарність ознак потребують подальшого вдосконалення методів відбору ознак. Для підвищення узагальнюваності моделей потрібна стандартизація психофізіологічних маркерів і розширення вибірок у різних культурних та професійних групах [8]. Нарешті, інтеграція методів глибокого навчання із даними довготривалого спостереження може відкрити нові перспективи у прогнозуванні динаміки вигорання та створенні персоналізованих систем підтримки ментального здоров’я.
Список літератури:
1. Freudenberger H. J. Staff burnout. Journal of Social Issues. 1974; 30(1):159–165.
2. Maslach C., Jackson S. E., Leiter M. P. Maslach Burnout Inventory Manual. 3rd edition. Consulting Psychologists Press, 1996.
3. Boyko O., et al. Psychophysiological correlates of emotional burnout in students and professionals. Ukrainian Journal of Psychology. 2020; 38(2):45–59.
4. Shanafelt T. D., Noseworthy J. H. Executive leadership and physician well-being: nine organizational strategies to promote engagement and reduce burnout. Mayo Clinic Proceedings. 2017; 92(1):129–146.
5. Klimesch W. EEG alpha and theta oscillations reflect cognitive and memory performance: a review and analysis. Brain Research Reviews. 1999; 29(2-3):169–195.
6. Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.
7. Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press, 2016.
8. Salvagioni D. A. J., et al. Physical, psychological and occupational consequences of job burnout: A systematic review of prospective studies. PLoS One. 2017; 12(10):e0185781
|
Голосування 
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License
Знайшли помилку? Виділіть помилковий текст мишкою і натисніть Ctrl + Enter