Factores de riesgo asociados al síndrome de burnout en docentes de la provincia del Carchi
Barra lateral del artículo
Contenido principal del artículo
Resumen
Resumen. El síndrome de burnout es ampliamente conocido como un motivo de problema laboral que aqueja al personal docente a nivel mundial. Este problema relacionado con factores de riesgo que generan estrés surge debido al entorno laboral y diversas situaciones ligadas al trato con personas que demandan un alto nivel de dedicación e involucramiento. El presente estudio se centró en identificar factores de riesgo asociados al síndrome de burnout en docentes de la provincia del Carchi. El objetivo principal fue validar la adaptación del Inventario de Burnout de Maslach (MBI) al contexto educativo específico, y proponer un modelo de análisis de resultados basado en inteligencia artificial. Al validar el instrumento se identificó que este no se adaptaba completamente al contexto local por lo que el instrumento fue modificando, teniendo que removerse 5 preguntas que fueron identificadas como no relevantes mediante el Análisis Factorial Confirmatorio, y se incorporó información demográfica de los participantes considerada de interés para las instituciones participantes. De esta manera, para la extracción de resultados a partir del test, se diseñó un nuevo modelo de procesamiento de resultados basado en técnicas multivariantes, contemplando 37 variables de entrada. Para esto se consideraron múltiples alternativas, incluidos clasificadores binarios, redes neuronales poco profundas y cinco modelos de aprendizaje profundo, encontrando que el aprendizaje profundo, especialmente un modelo de cinco capas desarrollado con TensorFlow y Keras, ofrecía las predicciones más precisas sobre el agotamiento emocional, una dimensión clave del síndrome de burnout. Este modelo alcanzó una precisión del 86% y un MSE de 0.1193604, demostrando su fiabilidad para la detección automática del síndrome sin necesidad de diagnóstico profesional. La investigación valida la adaptación del instrumento al contexto objetivo y resalta la importancia de establecer nuevos modelos de análisis cuando se emplean instrumentos modificados a partir del MBI, asegurando su relevancia y aplicabilidad en contextos específicos.
Palabras Clave: Síndrome de Burnout, Factores de Riesgo, Red Neuronal Artificial
Descargas
Detalles del artículo
Citas
C. Lauracio and T. Lauracio, “Síndrome de Burnout y desempeño laboral en el personal de salud,” Revista Innova Educación, vol. 2, no. 4, pp. 543–554, Oct. 2020, doi: 10.35622/j.rie.2020.04.003. DOI: https://doi.org/10.35622/j.rie.2020.04.003
D. Abril, G. Cabrera, M. Cajamarca, and E. Gutiérrez, “Sistema informático para gestionar información del Síndrome de Burnout en enfermería durante la COVID-19,” vol. 15, 2022, [Online]. Available: http://publicaciones.uci.cu
K. Bolaños, “Medición del estrés laboral en los docentes de la Unidad Educativa José Julián Andrade Carchi Ecuador 2020,” 2021.
M. P. Egea-Romero and M. I. Galindo-Abradelo, “Factores de riesgo para padecer burnout en docentes universitarios: un estudio cualitativo,” VISUAL REVIEW. International Visual Culture Review / Revista Internacional de Cultura Visual, vol. 9, no. Monográfico, pp. 1–11, 2022, doi: 10.37467/revvisual.v9.3635. DOI: https://doi.org/10.37467/revvisual.v9.3635
Á. Rivera Guerrero, P. Segarra Jaime, and G. Giler Valverde, “Síndrome de Burnout en docentes de instituciones de educación superior,” Archivos Venezolanos de Farmacología y Terapéutica, vol. 38, no. 2, pp. 17–23, 2018.
C. Pinel-Martínez, M. D. C. Pérez-Fuentes, and J. J. Carrión-Martínez, “Researching burnout in spanish teachers: A review of the associated factors and assessment instruments,” Bordon, Revista de Pedagogia, vol. 71, no. 1, pp. 115–131, 2019, doi: 10.13042/Bordon.2019.62122. DOI: https://doi.org/10.13042/Bordon.2019.62122
J. Esteras, P. Chorot, and B. Sandín, “Predicción del burnout en los docentes: Papel de los factores organizacionales, personales y sociodemográficos,” Revista de Psicopatologia y Psicologia Clinica, vol. 19, no. 2, pp. 79–92, 2014, doi: 10.5944/rppc.vol.19.num.2.2014.13059. DOI: https://doi.org/10.5944/rppc.vol.19.num.2.2014.13059
B. W. Seok, K. hoan Wee, J. young Park, D. Anil Kumar, and N. S. Reddy, “Modeling the teacher job satisfaction by artificial neural networks,” Soft comput, vol. 25, no. 17, pp. 11803–11815, 2021, doi: 10.1007/s00500-021-05958-0. DOI: https://doi.org/10.1007/s00500-021-05958-0
I. Özdemir and D. Polat, “International Journal of Educational Studies Available Online at ESci Journals AWARENESS AND RELATIONSHIP MANAGEMENT ) AND LEADERSHIP,” International Journal of Educational Studies, vol. 04, no. 02, pp. 37–47, 2017, [Online]. Available: https://esciencepress.net/journals/index.php/IJES/article/view/1935/1126
A. E. Jácome Ortega, J. A. Caraguay Procel, E. P. Herrera-Granda, and I. D. Herrera Granda, “Confirmatory Factorial Analysis Applied on Teacher Evaluation Processes in Higher Education Institutions of Ecuador,” 2020, pp. 157–170. doi: 10.1007/978-3-030-37221-7_14.
H. Ghorbani, “MAHALANOBIS DISTANCE AND ITS APPLICATION FOR DETECTING MULTIVARIATE OUTLIERS,” Facta Universitatis, Series: Mathematics and Informatics, p. 588, Oct. 2019, doi: 10.22190/FUMI1903583G. DOI: https://doi.org/10.22190/FUMI1903583G
E. P. Herrera-Granda, L. L. Lorente-Leyva, J. Yambay, J. Aranguren, M. Ibarra, and J. Peña, “Controller Modeling of a Quadrotor,” Ingénierie des systèmes d information, vol. 27, no. 1, pp. 21–28, Feb. 2022, doi: 10.18280/isi.270103. DOI: https://doi.org/10.18280/isi.270103
M. Martínez Ávila, “Análisis factorial confirmatorio: un modelo de gestión del conocimiento en la universidad pública,” RIDE Revista Iberoamericana para la Investigación y el Desarrollo Educativo, vol. 12, no. 23, Dec. 2021, doi: 10.23913/ride.v12i23.1103. DOI: https://doi.org/10.23913/ride.v12i23.1103
W. Sandoval, “Análisis de Componentes Principales,” rstudio-pubs.
C. C. Aggarwal, Neural Networks and Deep Learning. Cham: Springer International Publishing, 2018. doi: 10.1007/978-3-319-94463-0. DOI: https://doi.org/10.1007/978-3-319-94463-0
S. S. Alquegui, “Design and implementation of an indoor positioning system based on wireless embedded devices and Machine Learning,” 2022. Accessed: May 28, 2023. [Online]. Available: https://repositorio.unican.es/xmlui/bitstream/handle/10902/25230/441668.pdf?sequence=1
S. Weidman, Deep learning from scratch, First. O’Reilly, 2019.
L. L. Lorente-Leyva, J. F. Pavón-Valencia, Y. Montero-Santos, I. D. Herrera-Granda, E. P. Herrera-Granda, and D. H. Peluffo-Ordóñez, “Artificial Neural Networks for Urban Water Demand Forecasting: A Case Study,” J Phys Conf Ser, vol. 1284, no. 1, p. 12004, 2019, doi: 10.1088/1742-6596/1284/1/012004. DOI: https://doi.org/10.1088/1742-6596/1284/1/012004
L. Deng, M. Yang, H. Li, M. R. Lyu, and I. King, “Enhancing the reliability of out-of-distribution image detection in neural networks. ,” Mar. 2021.
A. Kaur and R. Saluja, “Handling Class Imbalance Problem Using Oversampling Techniques: A Review. In Advances in Computing and Data Sciences ,” Springer, Singapore, pp. 9–19, 2020.
Z. Zhang, S. Zohren, and S. Roberts, “DeepLOB: Deep Convolutional Neural Networks for Limit Order Books,” vol. 6, Aug. 2020, doi: 10.1109/TSP.2019.2907260. DOI: https://doi.org/10.1109/TSP.2019.2907260
C. Shorten and T. M. Khoshgoftaar, “A survey on Image Data Augmentation for Deep Learning,” J Big Data, vol. 6, no. 1, pp. 1–48, Dec. 2019, doi: 10.1186/s40537-019-0197-0. DOI: https://doi.org/10.1186/s40537-019-0197-0
S. Indolia, A. K. Goswami, S. P. Mishra, and P. Asopa, “Conceptual Understanding of Convolutional Neural Network- A Deep Learning Approach,” in Procedia Computer Science, Elsevier B.V., 2018, pp. 679–688. doi: 10.1016/j.procs.2018.05.069. DOI: https://doi.org/10.1016/j.procs.2018.05.069
A. E. Jácome Ortega, J. A. Caraguay Procel, E. P. Herrera-Granda, and I. D. Herrera Granda, “Confirmatory Factorial Analysis Applied on Teacher Evaluation Processes in Higher Education Institutions of Ecuador,” in Advances in Intelligent Systems and Computing, Springer, 2020, pp. 157–170. doi: 10.1007/978-3-030-37221-7_14. DOI: https://doi.org/10.1007/978-3-030-37221-7_14
E. P. Herrera-Granda, I. D. Herrera-Granda, L. L. Lorente-Leyva, P. D. Granda-Gudiño, and J. A. Caraguay-Procel, “Implementation of an Artificial Vision System and Monitoring of Human Objectives using a Quadricopter,” Revista Ibérica de Sistemas e Tecnologias de Informação, vol. 2019, no. E19, pp. 198–211, 2019, [Online]. Available: https://www.proquest.com/openview/ca355d43bc1ac0d236ca8da769393332/1?pq-origsite=gscholar&cbl=1006393
E. P. Herrera-Granda, J. C. Torres-Cantero, A. Rosales, and D. H. Peluffo-Ordóñez, “A Comparison of Monocular Visual SLAM and Visual Odometry Methods Applied to 3D Reconstruction,” Applied Sciences, vol. 13, no. 15, p. 8837, Jul. 2023, doi: 10.3390/app13158837. DOI: https://doi.org/10.3390/app13158837
E. P. Herrera-Granda, A. L. Díaz-Chimbo, P. Granda-Gudiño, M. R. Pusdá-Chulde, and I. D. García-Santillán, “Prototype of an Android mobile application for real time drowsiness detection and alertness applied in night driving,” Revista Ibérica de Sistemas e Tecnologias de Informação, vol. 2020, no. E32, pp. 98–112, 2020, [Online]. Available: https://www.proquest.com/openview/63deba1836c13b0fe0b01069ba7cda50/1?pq-origsite=gscholar&cbl=1006393
M. T. Hagan, H. B. Demuth, M. H. Beale, and O. De Jesús, Neural Network Design 2nd Edition, 2nd ed. 2014.
E. M. Quindemil Torrijo and F. Rumbaut León, “Análisis de componentes principales para obtener indicadores reducidos de medición en la búsqueda de información,” 2019. [Online]. Available: https://orcid.org/0000-0003-3705-6297
M. I. C. Rachmatullah, J. Santoso, and K. Surendro, “Determining the number of hidden layer and hidden neuron of neural network for wind speed prediction,” PeerJ Comput Sci, vol. 7, pp. 1–19, 2021, doi: 10.7717/PEERJ-CS.724. DOI: https://doi.org/10.7717/peerj-cs.724