Burnouts digital erkennen

25.02.2021
Februar 2021
  • Focus

Lassen sich Burnouts dank Computerlinguistik effizienter erkennen? Dieser Frage gehen wir in einem vom Schweizerischen Nationalfonds SNF finanzierten Forschungsprojekt nach.

Dr. Mascha Kurpicz-Briki, Professorin für Data Engineering, Institute for Data Applications and Security IDAS, BFH

Gemäss einer Studie aus dem Jahr 2020 fühlt sich in der Schweiz beinahe ein Drittel der Erwerbstätigen emotional erschöpft [1]. Die Studie zeigt auch, dass arbeitsbezogener Stress die Arbeitgebenden rund 7.6 Milliarden Schweizer Franken pro Jahr kostet. Manchmal kann diese Belastung am Arbeitsplatz zum sogenannten Burnout-Syndrom führen.

Die klinische Identifikation dieses Syndroms gestaltet sich schwierig, da die Symptome oftmals mit anderen Syndromen oder Krankheiten zusammenfallen. Es ist beispielsweise herausfordernd, eine normale Depression von einem Burnout abzugrenzen. In der klinischen Psychologie werden sogenannte Inventories verwendet. Inventories sind psychologische Tests, bei denen die Patient*innen einen Fragebogen ausfüllen, der auf Multiple-Choice-Fragen zum Ankreuzen basiert. In der Praxis wird häufig das Maslach Burnout Inventory verwendet, das sich aus 22 Multiple-Choice-Fragen in drei Kategorien zusammensetzt: berufliche Erschöpfung, Depersonalisation/Empathieverlust und eigene Leistungseinschätzung. In der Fachliteratur wird dieses Vorgehen, auch wenn es sich bewährt hat, teilweise in Frage gestellt. Einerseits wird kritisiert, dass nur drei spezifische Merkmale untersucht werden, während auch andere Symptome typisch für ein Burnout sein können. Andererseits zeigt sich ein Problem bei der Verwendung von Inventories im Allgemeinen, da Patient*innen nicht ehrlich antworten, um zum Beispiel ein bestimmtes Resultat zu erzielen oder weil ihnen das Thema unangenehm ist. Viel Potenzial soll in der Erweiterung solcher Fragebögen mit Interviews oder offenen Fragen stecken, die weitere indirekte Analysemöglichkeiten bieten. Bisher haben sich solche Ansätze aufgrund der schwierigen und aufwendigen Auswertung jedoch noch nicht durchgesetzt.

Wenn Computer die menschliche Sprache lernen

Computerlinguistik, die oft auch mittels des englischen Fachbegriffs Natural Language Processing (NLP) bezeichnet wird, ist das Fachgebiet der automatischen Verarbeitung von menschlicher Sprache mittels Informatik. Die verarbeitete menschliche Sprache kann verschiedene Formen haben, beispielsweise schriftlicher Text oder Audiodateien. Typische Beispiele für solche Technologien sind eine automatische Rechtschreib- oder Grammatikprüfung oder das automatisierte Extrahieren von Informationen aus einer grossen Menge an Text (sogenanntes Text Mining). Da die menschliche Sprache sehr komplex und kontextabhängig ist, sind dies keine leichten Aufgaben für den Computer. Ein bestimmtes Wort kann in einem unterschiedlichen Kontext eine komplett andere Bedeutung haben, ja sogar das Gegenteil bedeuten. Insbesondere komplexe Zusammenhängen über mehrere Sätze oder auch Konzepte wie Humor und Ironie stellen grosse Herausforderungen dar.

In den letzten Jahren wurden im Bereich der Computerlinguistik grosse Fortschritte erzielt, unter anderem mithilfe der sogenannten Wortvektoren (auch Word Embeddings genannt). Wortvektoren sind Sprachmodelle, in denen Wörter als mathematische Vektoren dargestellt werden. Dies erlaubt es dem Computer, anhand mathematischer Berechnungen Schlüsse auf die inhaltlichen Beziehungen zwischen den Wörtern zu ziehen. Da der Computer besser mit mathematischen Berechnungen als mit menschlicher Sprache umgehen kann, bringt das Modell grosse Vorteile für die automatische Verarbeitung von Text.

Automatische Textverarbeitung konnte bereits erfolgreich Methoden der Psychologie aufgreifen, beispielsweise den Implicit Association Test [2], der unbewusste Vorurteile bei Menschen misst. Mit einer auf diesem basierenden digitalen Methode konnte auch im digitalen Bereich gezeigt werden, dass Sprachmodelle, die oftmals in der Informatik Anwendung finden, gesellschaftliche Stereotypen enthalten [3] [4]. Ein weiteres Beispiel ist die Anwendung der Computerlinguistik zur Identifikation von suizidgefährdeten Personen basierend auf von ihnen verfassten Texten [5].

Das Projekt «BurnoutWords»

Im Projekt BurnoutWords untersucht das Projektteam der Data Science and Engineering Research Group am Institute for Data Applications and Security IDAS mit innovativen Ansätzen, wie eine effiziente Auswertung von Freitextfragen oder transkribierten Interviews mithilfe der Computerlinguistik in Zukunft möglich sein könnte. Das Projekt wird vom Schweizerischen Nationalfonds SNF im Rahmen des Förderprogramms Spark finanziert.

Im Projekt werden die Beziehungen zwischen Wörtern und Satzteilen potenzieller Freitextfragen und Antworten eines neuen Burnout-Fragebogens unter Einbezug der mathematischen Beziehungen zwischen deren Wortvektoren untersucht. Es soll gezeigt werden, inwiefern sich die Aussagen einer Person mit Burnout von den Aussagen einer gesunden Person mathematisch unterscheiden und sich somit eine Erkrankung automatisiert erkennen lässt. Ziel des Projekts ist es, zu untersuchen, ob solche Freitextfragen zielführend sind, und eine automatisierte Metrik zu entwickeln, um solche Fragen auszuwerten.

Das Projekt soll die Grundlagen schaffen, um in Zukunft mit digitalisierten und automatisierten Methoden die klinische Erkennung von Burnouts zu vereinfachen und dadurch einen wichtigen Beitrag zur Lösung dieses gesellschaftlichen Problems zu leisten.

Literatur

[1] Gesundheitsförderung Schweiz, Job-Stress-Index 2020, Faktenblatt 48, 09/2020.

[2] Greenwald, Anthony G.; Debbie E. McGhee, and Jordan L.K. Schwartz. 1998. Measuring individual differences in implicit cognition: the implicit association test. Journal of personality and social psychology, 74(6):1464.

[3] Caliskan, Aylin; Joanna J. Bryson, and Arvind Narayanan. 2017. Semantics derived automatically from language corpora contain human-like biases. Science, 356(6334):183–186.

[4] Kurpicz-Briki, Mascha. 2020. Cultural differences in bias? Origin and gender bias in pre-trained german and french word embeddings. 5th SwissText & 16th KONVENS Joint Conference 2020, Zurich, Switzerland.

[5] Morales, Michelle; Prajjalita Dey; Thomas Theisen; Danny Belitz, and Natalia Chernova. 2019. An investigation of deep learning systems for suicide risk assessment, in Proceedings of the Sixth Workshop on Computational Linguistics and Clinical Psychology, 2019, pp. 177–181.

Infos