HR-Analytics und Gesundheit
Identifikation von Fehlbeanspruchungen mit Hilfe maschineller Lernmodelle
Arbeitsbezogener Stress hat für Schweizer Unternehmen Kosten von rund CHF 7.6 Mrd. pro Jahr zur Folge. In der Gesunderhaltung von Mitarbeitenden besteht somit grosses Potenzial, um Kosten einzusparen und die Produktivität und Zufriedenheit von Arbeitnehmenden zu erhöhen. Daher ist es wichtig, Fehlbeanspruchungen früh zu erkennen und durch Interventionen zu minimieren.
Mittels Methoden des maschinellen Lernens prüfen wir in diesem Projekt, wie wir Fehlbeanspruchungen möglichst gut erkennen können und ob dafür komplexe Algorithmen notwendig sind oder einfache Modelle ausreichen. Zudem untersuchen wir, welche Arbeitsbedingungen besonders starke Zusammenhänge mit Fehlbeanspruchungen aufweisen und wie Ergebnisse und Vorhersagen von Algorithmen dargestellt werden müssen, damit sie beispielsweise von BGM-Fachpersonen möglichst gut verwendet werden können.
Da kürzere Umfragen zu einer höheren Akzeptanz führen, prüfen wir, wie stark bestehende Umfragen gekürzt werden können, um in einer Minimalversion trotzdem noch eine hohe Relevanz durch eine hohe Vorhersagekraft aufzuweisen. Die Erkenntnisse werden Ende 2025 publiziert.
Projektdaten
Leitung und Team | Dr. Markus Steiner (Co-Leitung), Jonas Mumenthaler (Co-Leitung), Prof. Dr. Andreas Krause |
Kooperationspartner | DearEmployee GmBH, Biäsch Stiftung |
Dauer | 202–2025 |