| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 3.31 MB | Adobe PDF |
Orientador(es)
Resumo(s)
Advancements in Machine Learning technologies are progressively providing enhanced benefits, especially in the domain of making accurate predictions applicable to diverse scenarios. One such scenario of critical interest is mental health and its impact on workplace productivity, particularly within the technological industry. This thesis aims to predict work interference arising from mental health issues in the technology sector using Machine Learning techniques. Seven carefully selected Machine Learning classification models were applied to a dataset sourced from the non-governmental organization known as Open Sourcing Mental Illness. The dataset underwent strategic cleaning and preparation, ensuring the retention of all relevant variables necessary to meet the requirements of each model and facilitate successful deployment. Subsequently, the models were rigorously evaluated using various measures of prediction, including Accuracy and Precision, among others. The research identified the 'Gradient Boosting Classifier' as the most effective model, exhibiting superior performance across the majority of prediction measures, including an 83.2% accuracy. This investigation also uncovered similar limitations to those observed in prior machine learning studies related to mental health, as discussed in the Literature Review. However, the findings contribute valuable insights into the application of Machine Learning in predicting work interference due to mental health illness, particularly within the dynamic landscape of the technology industry.
Os avanços nas tecnologias de aprendizagem automática estão a proporcionar progressivamente maiores benefícios, especialmente na realização de previsões precisas aplicáveis a diversos domínios. Um desses cenários de interesse crítico é a saúde mental e o seu impacto na produtividade no local de trabalho, particularmente na indústria tecnológica. Esta tese tem como objetivo prever a interferência no trabalho decorrente de problemas de saúde mental no sector tecnológico utilizando técnicas de aprendizagem automática. Sete modelos de classificação de aprendizagem automática cuidadosamente seleccionados foram aplicados a um conjunto de dados provenientes da organização não governamental conhecida como Open Sourcing Mental Illness. A base de dados foi submetida a um processamento prévio, garantindo a retenção de todas as variáveis relevantes necessárias para satisfazer os requisitos de cada modelo e facilitar uma aplicação bem sucedida. Subsequentemente, os modelos foram rigorosamente avaliados utilizando várias métricas, incluindo Exatidão e Precisão, entre outras. A investigação identificou o 'Gradient Boosting Classifier' como o modelo mais eficaz, apresentando um desempenho superior na maioria das medidas de previsão, incluindo uma precisão de 83,2%. Esta investigação também revelou limitações semelhantes às observadas em estudos anteriores de aprendizagem automática relacionados com a saúde mental, tal como referido na revisão da literatura. No entanto, os resultados contribuem com informações valiosas para a aplicação da aprendizagem automática na previsão da interferência no trabalho devido a doenças mentais, particularmente no panorama dinâmico da indústria tecnológica.
Os avanços nas tecnologias de aprendizagem automática estão a proporcionar progressivamente maiores benefícios, especialmente na realização de previsões precisas aplicáveis a diversos domínios. Um desses cenários de interesse crítico é a saúde mental e o seu impacto na produtividade no local de trabalho, particularmente na indústria tecnológica. Esta tese tem como objetivo prever a interferência no trabalho decorrente de problemas de saúde mental no sector tecnológico utilizando técnicas de aprendizagem automática. Sete modelos de classificação de aprendizagem automática cuidadosamente seleccionados foram aplicados a um conjunto de dados provenientes da organização não governamental conhecida como Open Sourcing Mental Illness. A base de dados foi submetida a um processamento prévio, garantindo a retenção de todas as variáveis relevantes necessárias para satisfazer os requisitos de cada modelo e facilitar uma aplicação bem sucedida. Subsequentemente, os modelos foram rigorosamente avaliados utilizando várias métricas, incluindo Exatidão e Precisão, entre outras. A investigação identificou o 'Gradient Boosting Classifier' como o modelo mais eficaz, apresentando um desempenho superior na maioria das medidas de previsão, incluindo uma precisão de 83,2%. Esta investigação também revelou limitações semelhantes às observadas em estudos anteriores de aprendizagem automática relacionados com a saúde mental, tal como referido na revisão da literatura. No entanto, os resultados contribuem com informações valiosas para a aplicação da aprendizagem automática na previsão da interferência no trabalho devido a doenças mentais, particularmente no panorama dinâmico da indústria tecnológica.
Descrição
Palavras-chave
Machine learning Classification models Gradient boosting classifier Tech industry Mental health Aprendizado de máquina Modelos de classificação Indústria tecnológica Saúde mental