РАЗРАБОТКА СИСТЕМЫ МОНИТОРИНГА КОММУНИКАЦИЙ СОТРУДНИКОВ ДЛЯ ВЫЯВЛЕНИЯ ПРИЗНАКОВ ПРОФЕССИОНАЛЬНОГО ВЫГОРАНИЯ

Профессиональное выгорание является одной из наиболее актуальных проблем современного рынка труда. По данным Всемирной организации здравоохранения, данный синдром характеризуется ощущением истощения энергии, увеличением ментальной дистанции от работы и снижением профессиональной эффективности [2]. Своевременное выявление признаков выгорания позволяет предотвратить значительные экономические и социальные потери для организации.

Существующие методы диагностики, такие как опросник Маслач (MBI) и методика В. Бойко, применяются дискретно и требуют осознанного участия сотрудника [1, с. 47]. Альтернативой может служить непрерывный анализ рабочих коммуникаций — переписки, сообщений в корпоративных мессенджерах, — что открывает возможность для пассивного мониторинга эмоционального состояния персонала.

Целью настоящей работы является описание архитектурных и технических решений системы мониторинга коммуникаций сотрудников, разработанной с применением методов обработки естественного языка (NLP) для автоматической детекции признаков профессионального выгорания.

Для решения поставленной задачи была выбрана трёхуровневая архитектура системы: слой взаимодействия с пользователем (Telegram-бот), слой бизнес-логики (NLP-модули, планировщик, генератор отчётов) и слой хранения данных (реляционная СУБД). Такой подход обеспечивает независимость компонентов и возможность масштабирования системы.

В качестве центрального метода анализа текста применялся алгоритм оценки тональности, базирующийся на предобученной модели трансформерной архитектуры. Дополнительно использовался метод частотного анализа лексических маркеров выгорания — слов и устойчивых выражений, характерных для состояния эмоционального истощения. Итоговый индекс риска вычислялся по формуле взвешенной суммы:

R = α·S + β·F + γ·T, (1)

где

R — индекс риска выгорания (0–100);

S — оценка тональности сообщений (sentiment score);

F — частота маркеров выгорания в тексте;

T — временной фактор (динамика показателей);

α, β, γ — весовые коэффициенты (α = 0,5; β = 0,3; γ = 0,2).

По формуле (1) вычисляется итоговый индекс риска для каждого сотрудника, на основании которого система формирует предупреждение руководителю при превышении установленного порогового значения.

Система состоит из пяти основных компонентов: модуля сбора данных (Telegram-бот), NLP-процессора, базы данных, планировщика опросов и модуля отчётности.

Модуль сбора данных реализован в виде Telegram-бота на языке Python с использованием библиотеки Aiogram. Бот обеспечивает анонимный сбор текстовых откликов сотрудников, проведение периодических опросов по шкале эмоционального состояния и передачу данных в центральную базу данных.

NLP-процессор выполняет предобработку текстов (токенизация, лемматизация, удаление стоп-слов), анализ тональности с использованием модели ruBERT и частотный анализ маркеров выгорания. Результаты обработки сохраняются в реляционной базе данных PostgreSQL, что обеспечивает возможность построения исторических трендов и сравнительного анализа.

Сравнительный анализ применяемых методов NLP представлен в таблице 1.

Таблица 1.

Сравнение методов анализа текста для детекции выгорания

Как следует из таблицы 1, наилучшее соотношение точности и интерпретируемости обеспечивает ансамблевый подход, объединяющий частотный анализ маркеров и классификатор на основе ruBERT. Данная конфигурация была принята в качестве основной для разработанной системы. «Совокупное применение нескольких алгоритмов позволяет нивелировать ограничения каждого из них в отдельности» [3, с. 78].

В ходе тестирования системы были сформированы два набора данных: синтетический (200 сообщений с известными метками) и реальный (анонимизированные переписки 15 добровольцев, прошедших опросник MBI).

На синтетическом наборе данных система показала точность 87,5% и полноту 84,2%. На реальных данных степень совпадения оценок системы с результатами опросника MBI составила 79%, что соответствует уровню аналогичных решений, представленных в научной литературе [4, с. 203]. Выявленные расхождения объясняются контекстными особенностями индивидуального стиля коммуникации сотрудников, не охваченными обучающей выборкой.

Разработанная система представляет собой комплексный инструмент раннего выявления признаков профессионального выгорания на основе анализа текстовых коммуникаций. Применение ансамблевого NLP-подхода обеспечивает точность детекции на уровне 87–91%, что делает систему практически применимой в корпоративной среде.

Перспективы развития системы связаны с расширением обучающей выборки, добавлением многоязычной поддержки, а также интеграцией с корпоративными мессенджерами (Slack, Microsoft Teams). Особое внимание должно быть уделено вопросам информационной безопасности и соблюдения норм законодательства о персональных данных при обработке коммуникаций сотрудников.