基于韩国职业压力量表(KOSS)的机器学习模型预测职业倦怠综合征风险研究

本研究针对职业压力导致的倦怠综合征(BOS)诊断难题，创新性地利用韩国职业压力量表(KOSS)数据构建机器学习预测模型。研究人员采用随机森林(RF)等5种算法对1,205名企业员工数据进行分析，发现"工作不稳定性"和"回报缺失"是核心风险因子，模型AUC达0.904。该研究为BOS早期筛查提供了可替代KBOSS量表的高效工具，对职场心理健康干预具有重要实践价值。

　　

在全球化竞争加剧的现代职场中，职业压力已成为威胁员工健康的隐形杀手。世界卫生组织(WHO)将职业倦怠综合征(Burnout Syndrome, BOS)明确定义为"由长期未得到有效管理的职场压力导致的综合征"，其特征性表现为精力耗竭、工作疏离感和职业效能降低。尽管韩国版倦怠量表(KBOSS)可用于诊断，但其存在心理污名化问题且员工依从性低。与此同时，韩国《职业安全健康法》强制要求企业定期实施韩国职业压力量表(KOSS)测评，这为开发替代性筛查工具提供了契机。

为破解这一难题，Hyeonju Jeong团队开展了一项创新研究，成果发表在《Safety and Health at Work》。研究人员巧妙利用KOSS的24个条目数据，通过机器学习技术构建预测模型，旨在实现两个目标：建立无需KBOSS的BOS风险评估体系，以及识别关键职业压力因素。这项研究不仅具有方法学创新价值，更对职场心理健康管理实践具有重要指导意义。

研究采用5种机器学习算法(RF、GBM、SVM、KNN和LR)对40家企业1,205名员工的KOSS和KBOSS配对数据进行分析。通过SMOTEENN处理数据不平衡问题，采用5折网格搜索交叉验证优化参数，并运用SHAP方法解析特征重要性。最终模型性能通过ROC-AUC、平衡准确度等指标评估。

主要研究结果

人口学特征

研究纳入的1,205名员工中，9.4%被判定为BOS风险人群。性别分析显示女性风险显著高于男性(p=0.009)，年龄分布呈现30-49岁中青年群体风险最高的特征(p<0.001)。

预测模型性能

随机森林(RF)展现出最优的综合性能，ROC-AUC达0.904，平衡准确度为0.874。比较分析显示，RF在保持高预测性能的同时兼具良好的可解释性，成为最优模型选择。

关键风险因素

SHAP分析揭示："回报缺失"维度中"获得公司尊重与信任"(条目18)的影响最大，"强烈不同意"该陈述的员工BOS风险显著升高；"工作不稳定性"维度中关于公司裁员和前景不确定的条目(12-13)也显示强关联性。值得注意的是，对工作稳定性"强烈不同意"的回答反而与高风险相关，暗示职业错配可能构成潜在机制。

讨论与意义

该研究首次证实KOSS数据通过机器学习可有效预测BOS风险，RF模型的优异表现为职场心理健康筛查提供了新工具。发现的核心风险因素具有重要干预指导价值："回报缺失"强调内在激励和公平感知的重要性，而"工作不稳定性"的复杂关联提示需要关注职业适配性问题。

研究也存在一定局限：样本量限制可能影响模型泛化能力，横断面设计难以确立因果关系，且可能存在"健康工作者效应"。未来研究应扩大样本规模，结合纵向设计深入探讨职业压力与BOS的因果路径。

这项研究的实践价值在于：为企业提供了一种合规、可扩展的BOS风险评估方案，有助于早期识别高风险个体并实施针对性干预。从公共卫生视角看，该方法可整合入职业健康监测系统，为制定预防性策略提供数据支持。研究揭示的关键压力因素也为组织管理改进提供了明确方向，如完善回报体系、优化人事匹配等，从而从源头上降低BOS发生风险。