基于简短语音的机器学习模型可初步识别治疗师职业倦怠与蓬勃状态

背景：职业倦怠在治疗师中普遍存在，并与幸福感受损和临床效能下降相关。尽管蓬勃发展和性格优势可能作为保护因素发挥作用，但干预实施因缺乏可行、可扩展的治疗师幸福感监测方法而受到限制。机器学习（ML）方法可能适合解决这些局限。目的：本概念验证研究考察了使用基于Transformer的自然语言处理（NLP）模型，从自动转录的治疗师口头回答中检测治疗师职业倦怠、蓬勃发展、心理健康连续谱、员工敬业度和性格优势（谦逊、感恩和宽恕）。材料与方法：参与者（n = 365）包括执业和治疗中的治疗师，他们完成了职业倦怠、蓬勃发展、心理健康连续谱、员工敬业度和性格优势（谦逊、感恩和宽恕）的自我报告测量。使用独立的训练集、验证集和测试集对基于Transformer的RoBERTa模型进行训练、调优和评估，并通过Spearman秩相关与置换检验评估性能。结果：观察到职业倦怠（ρ = 0.456）、心理健康连续谱（ρ = 0.46）和蓬勃发展（ρ = 0.387）的中等程度相关。讨论：这些发现表明，基于Transformer的NLP模型可能能够检测治疗师职业倦怠、蓬勃发展以及与组织幸福感模型相关的一些积极功能指标。局限性包括横断面样本相对较小且可能不具代表性、可能存在转录和提示相关的测量误差，以及缺乏外部验证，因此应谨慎将这些发现解释为可行性的初步证据，而非检测性能的确定性估计。研究还应考察与隐私、偏倚、错误分类和潜在滥用相关的伦理问题。结论：本研究提供了初步证据，支持使用基于Transformer的NLP模型检测治疗师职业倦怠、蓬勃发展及其他积极功能指标。

中文由 AI 翻译，仅供参考，以原文为准。