დაღლილობა სამუშაო ადგილზე ხშირად უხილავი რისკია. თანამშრომელი შეიძლება ჯერ კიდევ ასრულებდეს სამუშაოს, თუმცა დაქვეითებული ყურადღება, შენელებული რეაქცია და დაგროვილი გადაღლა უკვე ზრდიდეს შეცდომისა და ინციდენტის ალბათობას.
2026 წლის აგვისტოში ჟურნალ Healthcare-ში გამოქვეყნებულმა კვლევამ საინტერესო კითხვა დასვა: შესაძლებელია თუ არა ხელოვნური ინტელექტისა და Machine Learning-ის გამოყენება სამუშაოსთან დაკავშირებული მაღალი დაღლილობის მქონე თანამშრომლების გამოსავლენად?
კვლევა საწარმოო სექტორის თანამშრომლებზე ჩატარდა. მკვლევრებმა გამოიყენეს ისეთი მონაცემები, რომლებიც ორგანიზაციებში ხშირად ისედაც არსებობს — სამუშაო საათები, ზეგანაკვეთური სამუშაო და პერიოდული პროფესიული ჯანმრთელობის შემოწმებების მონაცემები.
კვლევაში გამოყენებული მონაცემები მოიცავდა:
შემდეგ ეს მონაცემები Machine Learning-ის მოდელებით გააანალიზეს, რათა დაედგინათ, რამდენად შესაძლებელი იყო მაღალი სამუშაო დაღლილობის მქონე თანამშრომლების იდენტიფიცირება.
რა აჩვენა კვლევამ?
ერთ-ერთი მნიშვნელოვანი შედეგი დაგროვილ ზეგანაკვეთურ სამუშაოს უკავშირდება. კვლევამ აჩვენა, რომ საშუალოვადიან პერიოდში დაგროვილი overtime ერთ-ერთი მნიშვნელოვანი ფაქტორი იყო, რომელიც მოდელის მიერ შეფასებულ მაღალი დაღლილობის ალბათობას უკავშირდებოდა.
კვლევაში გამოყენებულმა XGBoost-ის მოდელმა მაღალი დაღლილობის მქონე თანამშრომლების ერთმანეთისგან გარჩევის კუთხით უკეთესი შედეგი აჩვენა, ვიდრე ტრადიციულმა ლოგისტიკურმა რეგრესიამ.
თუმცა ავტორები თავადვე აღნიშნავენ მნიშვნელოვან შეზღუდვას: მოდელი ჯერ დამოუკიდებელ გარემოში უნდა შემოწმდეს და მისი პროგნოზირებული ალბათობები დამატებით კალიბრაციას საჭიროებს.
რა როლი შეიძლება ჰქონდეს AI-ს შრომის უსაფრთხოებაში?
უფრო საინტერესოა მისი გამოყენება, როგორც პრევენციული შრომის უსაფრთხოების დამატებითი ინსტრუმენტის — სისტემის, რომელსაც შეუძლია დიდი მოცულობის მონაცემებში დროულად დაინახოს ისეთი ტენდენციები, რომლებიც ყოველდღიურ მართვაში შეიძლება შეუმჩნეველი დარჩეს.
ეს მიდგომა გარკვეულწილად ცვლის შრომის უსაფრთხოების ტრადიციულ ლოგიკას:
რას ნიშნავს ეს ორგანიზაციებისთვის?
თუ ორგანიზაცია უკვე აგროვებს მონაცემებს სამუშაო საათებზე, overtime-ზე, ცვლებზე და თანამშრომელთა ჯანმრთელობის პერიოდულ მონიტორინგზე, მომავალში ამ ინფორმაციის უფრო სისტემურმა ანალიზმა შეიძლება მოგვცეს შესაძლებლობა, მაღალი დაღლილობის რისკი უფრო ადრე დავინახოთ.
