Reducción del estrés en el personal de empresas de servicios tecnológicos durante la pandemia por COVID-19 aplicando clustering
DOI:
https://doi.org/10.36097/rsan.v0i50.1981Palabras clave:
aprendizaje automático, brechas generacionales, clima organizacional, estrés, k-mediasResumen
En los últimos años las empresas viven con una diversidad generacional dentro de su medio laboral, siendo una de las razones por la que detonan diversos conflictos. El objetivo del estudio es desarrollar un sistema web que permita tomar acciones inmediatas para disminuir el estrés en los equipos de trabajo y aumentar la satisfacción de los trabajadores dentro de una empresa que brinda servicios de consultoría de TI, ubicada en la ciudad de México, con un equipo de trabajo de 112 personas. Se administró un cuestionario de clima laboral de 50 preguntas a todo el personal y para estimar el uso del sistema web se aplicó una prueba de usabilidad de Nielsen. Mediante el algoritmo k-medias se crearon equipos a partir de la generación a la que pertenece cada individuo. Los resultados permitieron al área administrativa crear una estrategia para reducir el estrés generado por el aislamiento de COVID-19 identificando que el sistema web contribuye de una forma sensible a prevenir el estrés o reducirlo.
Descargas
Citas
Ahuja, R., y Banga, A. (2019). Mental Stress Detection in University Students using Machine Learning Algorithms. Procedia Computer Science, 152, 349–353. https://doi.org/10.1016/j.procs.2019.05.007
Almanza, L. (2019). México tiene el primer lugar en estrés laboral, afirma especialista. El financiero. https://bit.ly/38XZ50b
Battista, A. C. (2014). Demandas laborales de la Generación Z [Tesis de grado], Universidad Argentina de la Empresa. https://bit.ly/3N2GRJP
Bhatia, K., Kumar, M., Kumar Bhatia, R., Sharma, A., y Chhabra, K. (2021). Machine Learning Based Classification of Academic Stress Factors. Fourth International Conference on Computational Intelligence and Communication Technologies (CCICT). 45-50. https://ieeexplore.ieee.org/abstract/document/9514955
Crappell, C. (2012). The ABC s of Gen X, Y(P), Z: A Column for Young Professionals: Millennials In Action: Playing To Our Strengths. American Music Teacher 61(4), 12-17. https://www.jstor.org/stable/43540073
Di Lucca, S. (2013). El comportamiento actual de la Generación Z en tanto futura generación que ingresará al mundo académico. Universidad de Palermo, Italia. Prieiga per internetą: 33, 1-33. https://bit.ly/38734Yr
EU-OSHA. (2014). Informe anual 2014: Resumen. Agencia Europea para la Seguridad y la Salud en el Trabajo. https://osha.europa.eu/es/publications/annual-report-2014-summary
Fallucchi, F., Coladangelo, M., Giuliano, R., y De Luca, E. W. (2020). Predicting Employee Attrition Using Machine Learning Techniques. Computers, 9(4), 86-103. https://doi.org/10.3390/computers9040086
Fernández-Cosials, K., y Barbas, A. (2017). What do the CEOs expect from us? (If they expect something). Energy Procedia. 127(2017), 127–138. https://doi.org/10.1016/j.egypro.2017.08.099
Flesia, L., Morano, M., Mazza, C., Fietta, V., Colicino, E., Segatto, B., y Roma, P. (2020). Predicting Perceived Stress Related to the Covid-19 Outbreak through Stable Psychological Traits and Machine Learning Models. Journal of clinical medicine, 9(10), 1-17. https://doi.org/10.3390/jcm9103350
Garbajosa, J., Wang, X., y Aguiar, A. (2018). Agile Processes in Software Engineering and Extreme Programming. Portol, Portugal: Springer.
Gil-Monte, P. R. (2009). Algunas razones para considerar los riesgos psicosociales en el trabajo y sus consecuencias en la salud pública. Revista Española de Salud Pública, 83(2), 169-173. https://scielo.isciii.es/scielo.php?script=sci_arttext&pid=s1135-57272009000200003
Graybill, J. O. (2014). Millennials among the professional workforce in academic libraries: Their perspective on leadership. The Journal of Academic Librarianship, 40(1), 10-15. https://doi.org/10.1016/j.acalib.2013.09.006
Gurt, J. (2016). Cómo gestionar cuatro generaciones bajo el mismo techo. Forbes: https://bit.ly/3ACHpjo
Jones, M. T. (2018). Data, structure, and the data science pipeline. IBM. https://ibm.co/3lYZJyQ
Kapoor, C. y Salomon, N. (2011). Understanding and managing gerenational differences in the workplace. Worldwide Hospitality and Tourism Themes, 3(4), 308-318. https://doi.org/10.1108/17554211111162435
Kumar N., R., Tapliyal, H., y Caban-Holt, A. (2021). Machine Learning Based Stress Monitoring in Older Adults Using Wearable Sensors and Cortisol as Stress Biomarker. Journal of Signal Processing Systems. https://doi.org/10.1007/s11265-020-01611-5
Martínez, E. V. (2018). México, entre los países con mayor estrés laboral: académicas de la UNAM. Boletín UNAM-DGCS-272. https://bit.ly/3L79013
Moore, S. Y., Grunberg, L., y Krause, A. J. (2014). The relationship between work and home: Examination of white and blue-collar generational differences in a large US organization. Psychology, 5(15), 1768-1776. https://doi.org/10.4236/psych.2014.515183
Moyo, S., Doan, T. N., Yun, J. A., y Tshuma, N. (2018). Application of machine learning models in predicting length of stay among healthcare workers in underserved communities in South Africa. Human Resources for Health, 16(68), 1-9. https://doi.org/10.1186/s12960-018-0329-1
Nielsen, J. (2020). 10 Usability Heuristics for User Interface Design. Nielsen Norman Group. https://bit.ly/2Ud78iN
OECD (2016). Understanding the Digital Divide. OECD Digital Economy papers No. 49. https://bit.ly/38g8n7H
OECD. (2019). ¿Cómo es la vida? OECD Better life. https://bit.ly/37BVUHI
OMS. (2014). La organización del trabajo y el estrés. Serie protección de la salud de los trabajadores n° 3. I-WHO. https://bit.ly/3w9e67f
Priyadarshini, R., Panda, M.R., Mallick, P.K., Barik, R.K. (2020). An Improved Machine Learning Model for Stress Categorization. In: Mallick, P., Balas, V., Bhoi, A., Chae, GS. (eds) Cognitive Informatics and Soft Computing. Advances in Intelligent Systems and Computing, vol 1040. Springer, Singapore. https://doi.org/10.1007/978-981-15-1451-7_45
Rodríguez y Morgado, J. (2015). La brecha generacional. Sabersinfin. https://bit.ly/3CJrxNJ
Sajjadiani, S., Sojourner, A. J., Kammeyer-Mueller, J. D., y Mykerezi, E. (2019). Using Machine Learning to Translate Applicant Work History Into Predictors of Performance and Turnover. Journal of Applied Psychology, 104(10), 1207–1225. https://doi.org/10.1037/apl0000405
SAR. (2022). El SAR en números. Gobierno de México. https://www.gob.mx/consar/documentos/el-sar-en-numeros
Splunk. (2019). Welcome to the Machine Learning Toolkit. Obtenido de User Guide: https://splk.it/3CJrtNZ
Tello, E. (2007). Las tecnologías de la información y comunicaciones (TIC) y la brecha digital: su impacto en la sociedad México. Revista de Universidad y Sociedad del Conocimiento. 4(2), 1-8. https://dialnet.unirioja.es/servlet/articulo?codigo=2521723
Witten, I. H., Frank, E., Hall, M.,y Pal, C. (2016). Data Mining: Practical Machine Learning Tools and Techniques. 4th Edition. Morgan Kauffman.
Xie, H., Zhang, L., Peng Lim, C., Yu, Y., Liu, C., Liu, H., Walters, J. (2019). Improving K-means clustering with enhanced Firefly Algorithms. Applied Soft Computing. 84. https://doi.org/10.1016/j.asoc.2019.105763
Zhao, Y., Hryniewicki, M.K., Cheng, F., Fu, B., Zhu, X. (2019). Employee Turnover Prediction with Machine Learning: A Reliable Approach. In: Arai, K., Kapoor, S., Bhatia, R. (eds) Intelligent Systems and Applications. IntelliSys 2018. Advances in Intelligent Systems and Computing, vol 869. Springer, Cham. https://doi.org/10.1007/978-3-030-01057-7_56
