L'IA ouvre les perspectives d'un dépistage automatique des signes de burn out
Une étude menée par des chercheurs suisses explore une approche innovante fondée sur l'analyse du langage.
Avec plus de 480 000 personnes en France en détresse psychologique au travail et potentiellement 30 000 en burn out selon les derniers chiffres de l'Institut de Veille Sanitaire, l'épuisement professionnel touche de nombreux salariés en France.
Une étude du cabinet Technologia révèle un chiffre bien plus inquiétant : 3,2 millions d’employés, c’est-à-dire 12% de la population active, présenteraient un “risque de burn-out”.
L'une des clés de la prévention et du traitement du burn out est de le détecter. Repérer les signaux d'alerte se révèle toutefois particulièremet difficile avec les méthodes utilisées actuellement. A l’heure actuelle, on diagnostique le burn-out au moyen de tests psychologiques qui prennent la forme de réponses graduées. Par exemple: «Je me sens à bout à la fin de ma journée de travail: jamais/quelquefois/chaque jour». Ce genre de tests présente toutefois des limites importantes. Par exemple, certaines personnes n’osent pas cocher les réponses «jamais» et «chaque jour» ou alors sont tentées de mentir pour influencer les résultats.
L'étude menée par Mascha Kurpicz-Briki, professeure en ingénierie des données à la Haute école spécialisée bernoise à Bienne, avec son équipe, se base sur l'intelligence artificielle pour analyser automatiquement des textes et identifier, sur cette base, si le langage relève du burn-out ou pas.
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.
Les résultats sont particulièrement prometteurs : la méthode identifie correctement 93% des cas de burn-out. Ces premiers résultats doivent toutefois encore être consolidés avec la collaboration d'experts médicaux est notamment pour vérifier les conclusions de ce premier projet exploratoire sur des cas réels de burn-out et sur un échantillon représentatif de la population.